Teil XV. Mehrgitterverfahren zur Lösung linearer Gleichungssysteme
|
|
- Helge Sternberg
- vor 5 Jahren
- Abrufe
Transkript
1 Teil XV Mehrgitterverfahren zur Lösung linearer Gleichungssysteme IN8008, Wintersemester 2014/
2 Wiederholung: Relaxationsverfahren Direkte Lösung des LGS ist viel zu teuer; Daher wird versucht, den Fehler lokal zu beseitigen. Echter Fehler nicht messbar, daher Zugang über Residuum; Innere Schleife läuft über alle Gitterpunkte; Äußere Schleife wiederholt Relaxation, bis das Residuum klein genug ist; Anzahl der äußeren Schleifendurchläufe von der Anzahl an Gitterpunkten abhängig; IN8008, Wintersemester 2014/
3 Konvergenz Jacobi: Fourier-Analyse Szenario Stationäre Wärmeleitung (1D) auf dem Einheitsintervall Randbedingung überall Null Lösung: Null auf gesamtem Intervall Initialer Lösungsvektor: x 0 = e 0 Untersuchung: Veränderung des Fehlers in einer Iteration Initialer Fehler als Kombination von Sinus-Kurven unterschiedlicher Frequenz ab jetzt zur Vereinfachung: 1D: x = m a m (sin(mπhi)) i=1..n IN8008, Wintersemester 2014/
4 Was sind hohe/niedrige Frequenzen? Niedrige Frequenz: eine Schwingung (sin(πx)) im betrachteten Bereich Ist sin(1000πx) eine hohe Frequenz? IN8008, Wintersemester 2014/
5 Was sind hohe/niedrige Frequenzen? Niedrige Frequenz: eine Schwingung (sin(πx)) im betrachteten Bereich Ist sin(1000πx) eine hohe Frequenz? Nyquist-Shannon-Abtasttheorem Eine Frequenz ist hoch/niedrig bezüglich der Anzahl an Abtastpunkten. Ein Signal mit Maximalfrequenz f max muss mit einer Frequenz größer als 2 f max abgetastet werden. Für gegebene Abtastfrequenz f ist die höchste darstellbare Frequenz also 1/2f. Die Abtastfrequenz entspricht gerade der Anzahl an Diskretisierungspunkten! IN8008, Wintersemester 2014/
6 Änderung des Fehlers in einer Iteration x (k+1) = x (k) D 1 Ax (k) = (I D 1 A)x (k) = Mx (k) e (k+1) = Me (k) (M(sin(mπhi))) i = cos(mπh)(sin(mπhi)) i IN8008, Wintersemester 2014/
7 Änderung des Fehlers in einer Iteration x (k+1) = x (k) D 1 Ax (k) = (I D 1 A)x (k) = Mx (k) e (k+1) = Me (k) (M(sin(mπhi))) i = cos(mπh)(sin(mπhi)) i Eigenwerte von M λ m = cos(mπh) sind Eigenwerte zu den Eigenvektoren (sin(mπhi)) i Frequenzen zu betragsmäßig niedrigen Eigenwerten (nahe Null) verschwinden schnell. Frequenzen zu betragsmäßig hohen Eigenwerten (nahe Eins) verschwinden langsam. IN8008, Wintersemester 2014/
8 Änderung des Fehlers in einer Iteration x (k+1) = x (k) D 1 Ax (k) = (I D 1 A)x (k) = Mx (k) e (k+1) = Me (k) (M(sin(mπhi))) i = cos(mπh)(sin(mπhi)) i Eigenwerte von M λ m = cos(mπh) sind Eigenwerte zu den Eigenvektoren (sin(mπhi)) i Frequenzen zu betragsmäßig niedrigen Eigenwerten (nahe Null) verschwinden schnell. Frequenzen zu betragsmäßig hohen Eigenwerten (nahe Eins) verschwinden langsam. Für x gegen Null nimmt cos(x) den maximalen Wert an Taylor-Entwicklung um 0 + πh: λ 1 = cos(0) πhsin(0) cos(0)π 2 h 2 / π 2 h 2 /2 = 1 c h 2 IN8008, Wintersemester 2014/
9 Konvergenz der Iteration Was passiert bei Verdopplung der Gitterpunkte? Eine Iteration mit h drückt den Fehler um 1 c h 2 h h/2 Eine Iteration drückt Fehler um: 1 c (h/2) 2 = 1 (1/4)c h 2 Zwei Iterationen: (1 c (h/2) 2 ) 2 1 (1/2)c h 2 Vier Iterationen: (1 (1/2)c h 2 ) 2 1 c h 2 IN8008, Wintersemester 2014/
10 Konvergenz der Iteration Was passiert bei Verdopplung der Gitterpunkte? Eine Iteration mit h drückt den Fehler um 1 c h 2 h h/2 Eine Iteration drückt Fehler um: 1 c (h/2) 2 = 1 (1/4)c h 2 Zwei Iterationen: (1 c (h/2) 2 ) 2 1 (1/2)c h 2 Vier Iterationen: (1 (1/2)c h 2 ) 2 1 c h 2 Bei Halbierung von h sind vier Mal so viele Iterationen nötig! Anzahl an Iterationen wächst mit 1/h 2 IN8008, Wintersemester 2014/
11 Konvergenz der Iteration Was passiert bei Verdopplung der Gitterpunkte? Eine Iteration mit h drückt den Fehler um 1 c h 2 h h/2 Eine Iteration drückt Fehler um: 1 c (h/2) 2 = 1 (1/4)c h 2 Zwei Iterationen: (1 c (h/2) 2 ) 2 1 (1/2)c h 2 Vier Iterationen: (1 (1/2)c h 2 ) 2 1 c h 2 Bei Halbierung von h sind vier Mal so viele Iterationen nötig! Anzahl an Iterationen wächst mit 1/h 2 Wie können wir es besser machen? IN8008, Wintersemester 2014/
12 Militärkapelle (1) Eine Militärkapelle marschiert auf Die Soldaten sollen so schnell wie möglich eine gerade Linie formen IN8008, Wintersemester 2014/
13 Militärkapelle (1) Eine Militärkapelle marschiert auf Die Soldaten sollen so schnell wie möglich eine gerade Linie formen Was passiert für verschiedene Aufmarschformationen? IN8008, Wintersemester 2014/
14 Militärkapelle (2) geliehen von U. Rüde, Multigrid Methods, CIRM Winter school, 2009, und A. Brandt ;-) IN8008, Wintersemester 2014/
15 Militärkapelle (2) geliehen von U. Rüde, Multigrid Methods, CIRM Winter school, 2009, und A. Brandt ;-) IN8008, Wintersemester 2014/
16 Militärkapelle (3) : Jacobi geliehen von U. Rüde, Multigrid Methods, CIRM Winter school, 2009, und A. Brandt ;-) IN8008, Wintersemester 2014/
17 Militärkapelle (3) : Jacobi geliehen von U. Rüde, Multigrid Methods, CIRM Winter school, 2009, und A. Brandt ;-) IN8008, Wintersemester 2014/
18 Militärkapelle (3) : Jacobi geliehen von U. Rüde, Multigrid Methods, CIRM Winter school, 2009, und A. Brandt ;-) IN8008, Wintersemester 2014/
19 Militärkapelle (3) : Jacobi geliehen von U. Rüde, Multigrid Methods, CIRM Winter school, 2009, und A. Brandt ;-) IN8008, Wintersemester 2014/
20 Militärkapelle (3) : Jacobi geliehen von U. Rüde, Multigrid Methods, CIRM Winter school, 2009, und A. Brandt ;-) IN8008, Wintersemester 2014/
21 Militärkapelle (4) : Multigrid geliehen von U. Rüde, Multigrid Methods, CIRM Winter school, 2009, und A. Brandt ;-) IN8008, Wintersemester 2014/
22 Militärkapelle (4) : Multigrid geliehen von U. Rüde, Multigrid Methods, CIRM Winter school, 2009, und A. Brandt ;-) IN8008, Wintersemester 2014/
23 Militärkapelle (4) : Multigrid geliehen von U. Rüde, Multigrid Methods, CIRM Winter school, 2009, und A. Brandt ;-) IN8008, Wintersemester 2014/
24 Militärkapelle (4) : Multigrid geliehen von U. Rüde, Multigrid Methods, CIRM Winter school, 2009, und A. Brandt ;-) IN8008, Wintersemester 2014/
25 Militärkapelle (4) : Multigrid geliehen von U. Rüde, Multigrid Methods, CIRM Winter school, 2009, und A. Brandt ;-) IN8008, Wintersemester 2014/
26 Militärkapelle (4) : Multigrid geliehen von U. Rüde, Multigrid Methods, CIRM Winter school, 2009, und A. Brandt ;-) IN8008, Wintersemester 2014/
27 Militärkapelle (4) : Multigrid geliehen von U. Rüde, Multigrid Methods, CIRM Winter school, 2009, und A. Brandt ;-) IN8008, Wintersemester 2014/
28 Reduktion des Fehlers bei Jacobi/Gauss-Seidel Jacobi-Verfahren erfüllt die PDE lokal; D.h. lokal ist die zweite Ableitung Null bzw. sehr klein. D.h. für glatte Funktionen ist das Residuum gering. Für hohe Frequenzen ist das Residuum groß, d.h. solche Frequenzen werden schnell beseitigt, niedrige hingegen nicht. IN8008, Wintersemester 2014/
29 Reduktion des Fehlers bei Jacobi/Gauss-Seidel Jacobi-Verfahren erfüllt die PDE lokal; D.h. lokal ist die zweite Ableitung Null bzw. sehr klein. D.h. für glatte Funktionen ist das Residuum gering. Für hohe Frequenzen ist das Residuum groß, d.h. solche Frequenzen werden schnell beseitigt, niedrige hingegen nicht. Abbildung: 1D Wärmeleitung mit Rand=0 und zufälligen Startwerden für die Temperatur Jacobi, 10 Schritte Jacobi, 100 Schritte Mehrgitter, 1 Schritt IN8008, Wintersemester 2014/
30 Mehrgitter: Motivation Optimales LGS-Verfahren: Rechenaufwand wächst linear mit der Anzahl an Diskretisierungspunkten Besser geht es nicht (jeder Punkt muss mindestens einmal betrachtet/bearbeitet werden) Jacobi/Gauss-Seidel: Kosten einer Iteration sind O(n) Die Anzahl an Iterationen wächst mit der Anzahl an Diskretisierungspunkten. Niedrige Fehlerfrequenzen verschwinden nur sehr langsam. Ursache: Informationen müssen durch das gesamte Gebiet (damit durch alle Punkte) propagiert werden Mehrgitter-Verfahren propagiert Informationen sehr viel schneller. IN8008, Wintersemester 2014/
31 Grundidee des Mehrgitter-Verfahrens Jacobi/Gauss-Seidel sind schlecht für niedrige Frequenzen Shannon: Eine Frequenz ist niedrig bezüglich einer bestimmten Zahl an Diskretisierungspunkten Bei Halbierung der Diskretisierungspunkte wird die Frequenz bezüglich der Diskretisierung verdoppelt D.h. für jede Frequenz gibt es eine Diskretisierung, für die diese Frequenz mittel/hoch ist Durch Einsatz verschiedener Gitterauflösungen gibt es für jede Komponente des Fehlers ein Gitter, bezüglich dessen die Frequenz der Fehlerkomponente niedrig ist. IN8008, Wintersemester 2014/
32 Multigrid: Zutaten Beispiel Militärkapelle: Restriktion von einzelnen Punkten auf gröberes Gitter Verwandlung von niedrigen Frequenzen (feines Gitter) in hohe Frequenzen (grobes Gitter) Anwendung eines Glätters (z.b. Jacobi) auf verschiedenen Gitterauflösungen Entfernen von hohen Frequenzen (auf dem entspr. Gitter) Prolongation von Punktinformation auf feines Gitter Korrektur der Feingitter-Lösung Im Folgenden: h : Feines Gitter, 2h : Nächstgröberes Gitter (doppelte Zellgröße) IN8008, Wintersemester 2014/
33 Zwei-Gitter Algorithmus zum Lösen von A h x h = b h Start: x (0) h (feines Gitter) In Iteration k, rufe MG(α 1, α 2, A h, x (k) h, b h) auf: α 1 Glätterschritte (pre-smoothing, feines Gitter) Berechne Residuum r h := b h Ax (k) h Restriktion: r 2h := Rh 2hr h, Rh 2h Restriktionsoperator Löse Residuumsgleichung (grobes Gitter) A 2h e 2h = r 2h, A 2h : vergröberte Darstellung von A h, e 2h : Fehler der Grobgitterrepräsentation Prolongation des Fehlers e 2h und Korrektur der Feingitter-Lösung x (k) h := x (k) h + P h 2h e 2h, P h 2h Prolongationsoperator α 2 Glätterschritte (post-smoothing, feines Gitter) Rückgabe: x (k+1) h IN8008, Wintersemester 2014/
34 Rekursiver Algorithmus zum Lösen von A h x h = b h Start: x (0) h (feines Gitter) In Iteration k, rufe MG(α 1, α 2, A h, x (k) h, b h, h) auf: α 1 Glätterschritte (pre-smoothing, feines Gitter) Berechne Residuum r h := b h Ax (k) h Restriktion: r 2h := Rh 2hr h, Rh 2h Restriktionsoperator Löse Residuumsgleichung (grobes Gitter) A 2h e 2h = r 2h, Rekursion: MG(α 1, α 2, A 2h, e 2h, r 2h,2h) Prolongation des Fehlers e 2h und Korrektur der Feingitter-Lösung x (k) h := x (k) h + P h 2h e 2h, P h 2h Prolongationsoperator α 2 Glätterschritte (post-smoothing, feines Gitter) Rückgabe: x (k+1) h IN8008, Wintersemester 2014/
35 Restriktion Für neue Näherung x k+1 auf grobem Gitter sind nötig: x k und r k bezüglich des groben Gitters Bisherige Näherungslösung muss auf das nächstgröbere Gitter transportiert werden Einfachste Methode: Injektion. Nur jeder zweite Punkt wird verwendet, die dazwischen verworfen Teilweise bessere Ergebnisse, wenn zwischen drei benachbarten Punkten gemittelt wird (Full Weighting) IN8008, Wintersemester 2014/
36 Prolongation Der auf dem groben Gitter berechnete Fehler muss auf das feine übertragen werden Feingitterpunkte, die zugleich Grobgitterpunkte sind, erhalten den Wert direkt vom Grobgitterpunkt Feingitterpunkte zwischen zwei Grobgitterpunkten erhalten den Wert durch (lineare) Interpolation IN8008, Wintersemester 2014/
37 Konstruktion von A 2h Galerkin Ansatz: R 2h h! = (P h 2h ) A 2h = (P h 2h ) A h P h 2h Für Poisson-Problem (Bsp 1D) mit Full Weighting und linearer Interpolation: A h = 1 h 2 [ ] A 2h = 1 (2h) 2 [ ] IN8008, Wintersemester 2014/
38 Mehrgitter-Verfahren (1) import numpy as np import math import sys class Mehrgitter : def init (self, level ): self. level = level self. anzahlpunkte =2** level +1 self.h = 1.0/(2.0** level ) self.x = np. zeros ( self. anzahlpunkte ) self.b = np. zeros ( self. anzahlpunkte ) IN8008, Wintersemester 2014/
39 Mehrgitter-Verfahren (2) def solve ( self ): # pre - smoothing for i in xrange (2): self. jacobi () if self. level >1: nextmg = Mehrgitter ( self. level -1) # Restriktion self. restriktion ( nextmg.b) # Loese grobes Gitter nextmg. solve () # Prolongation self. prolongation ( nextmg.x) # post - smoothing for i in xrange (2): self. jacobi () IN8008, Wintersemester 2014/
40 Jacobi-Verfahren def jacobi ( self ): temp = np. copy ( self.x) for i in xrange (1, self. anzahlpunkte -1): self.x[i] = 0.5*( self.h* self.h* self.b[i] \ + temp [i -1] + temp [i +1]) IN8008, Wintersemester 2014/
41 Restriktion und Prolongation def restriktion ( self, bgrob ): temp = np. zeros ( self. anzahlpunkte ) for i in xrange (1, self. anzahlpunkte -1): temp [i] = self.b[i] - (- self.x[i -1] \ + 2* self.x[i] - self.x[i +1])/( self.h **2) for i in xrange (2, self. anzahlpunkte -2,2): bgrob [i /2] = 0.25*( temp [i -1] + 2* temp [i] \ + temp [i +1]) def prolongation ( self, egrob ): # Punkte, die direkt mit Grobgitterpunkten # uebereinstimmen for i in xrange (2, self. anzahlpunkte -2,2): self.x[i] = self.x[i] + egrob [i /2] # Punkte, die zwischen Grobgitterpunkten liegen for i in xrange (1, self. anzahlpunkte -1,2): self.x[i] = self.x[i] \ + 0.5*( egrob [i /2]+ egrob [i /2+1]) IN8008, Wintersemester 2014/
42 Beispiel if name == " main ": # Einlesen von Parametern levels = int ( sys. argv [1]) tol = float ( sys. argv [2]) solvertype = sys. argv [3] res = tol counter = 0 # Initialisierung des Mehrgitter - Loesers mg = Mehrgitter ( levels ) # Setzen der Randwerte mg.x [0] = 0.0 mg. x[ mg. anzahlpunkte -1] = 1.0 IN8008, Wintersemester 2014/
43 Beispiel Cont. while res > tol : counter = counter +1 if solvertype ==" jacobi ": mg. jacobi () elif solvertype =="mg": mg. solve () else : print " ERROR : Unbekannter Loeser " res = mg. maxerror () print " Iteration %d: %f" % ( counter, res ) IN8008, Wintersemester 2014/
44 Fehler def maxerror ( self ): res = abs ( self.x[1] - self.h) for i in xrange (2, self. anzahlpunkte -1): tmp = abs ( self.x[i]-i* self.h) if tmp > res : res = tmp return res IN8008, Wintersemester 2014/
45 Kosten des Mehrgitter-Verfahrens (1D) Pro Level zwei bis vier Jacobi/Gauss-Seidel Iterationen: O(n) Residuumsberechnung: O(n) Restriktion: O(n) Prolongation: O(n) Rekursion Kosten auf feinstem Level: cn Kosten auf zweitfeinstem Level: 1/2cn... Kosten cn i=0 (1/2)i = 2.0cn Anzahl Iterationen O(1) (im Optimalfall!) Gesamtkosten: O(n) IN8008, Wintersemester 2014/
46 Scientific Computing in Computer Science, Technische Universita t Mu nchen Commercial: Ferienakademie Programm 2015 Ferienakademie Ferienakademie Sarntal / Südtirol Sonntag, 20. September bis Freitag, 2. Oktober Sarntal (Südtirol) Direktor: Univ.-Prof. Dr. Hans-Joachim Bungartz, Institut für Informatik der Technischen Universität München Spenden von Firmen und von Fördervereinen der drei veranstaltenden Universitäten ermöglichen die Durchführung der Ferienakademie 2015 im Sarntal in Südtirol. Sie soll der Motivation und der Förderung begabter und interessierter Studierender der drei veranstaltenden Universitäten dienen. Fahrt- und Aufenthaltskosten für die Teilnehmer werden aus Spendenmitteln getragen. Weitere Informationen sowie Hinweise zur Bewerbung finden Sie unter: Für jeweils ca. 14 Studierende aus Studiengängen der angegebenen Fachrichtungen werden folgende Kurse angeboten (selbstverständlich auch für entsprechende Fachsemester in Diplomstudiengängen). Kurs Thema Dozenten Gastdozenten (GD) Fachrichtungen (und Fachsemester) 1 Xtreme Coder Camp H. Seidl, München S. Wagner, Stuttgart Informatik, Mathematik (Bachelor im 1. oder 2. Studienjahr) 2 Quality of Life: Mobile Apps for Rehabilitation and Wellness B. Brügge, München D. Siewiorek, Pittsburgh (GD) Informatik, Ingenieurwissenschaften, Psychologie, Design (Bachelor ab 2. Studienjahr oder Master) 3 Physik und Elektronik im Alltag G. Denninger, Stuttgart R. Gross, München V. Krstic, Erlangen (GD) Physik, Elektro- und Informationstechnik (Bachelor im 1. oder 2. Studienjahr) 4 Engineering Models, Numerical Simulation and Measurements in Technical Acoustics 5 Let's play! Simulated Physics for Interactive Games 6 Erkenntnis und Verantwortung in R. Kötter, Erlangen Natur- und Technikwissenschaften K. Mainzer, München 7 Modern Channel Coding - Theory and Applications J. Huber, Erlangen G. Kramer, München S. ten Brink, Stuttgart (GD) Elektrotechnik, Informations- und Kommunikationstechnik, Informatik, Mathematik, Physik (Bachelor ab 3. Studienjahr oder Master) 8 Die Grenzen der Nanoelektronik L. Frey, Erlangen J. Schulze, Stuttgart Elektro- und Informationstechnik, Physik, Werkstoffwissenschaften (Bachelor ab 2. Studienjahr oder Master) 9 Large-Scale Simulation H. Köstler, Erlangen M. Mehl, Stuttgart M. Bader, München (GD) Ingenieurwissenschaften, Mathematik, Informatik, Physik (Bachelor ab 3. Studienjahr oder Master) R. Lerch, Erlangen G. Müller, München H.-J. Bungartz, München D. Pflüger, Stuttgart G. Greiner, Erlangen (GD) Organisation: T. Neckel, München, neckel@in.tum.de F. Gruber, Erlangen, gruber@lnt.de L. Augel, Stuttgart, augel@iht.uni-stuttgart.de Ingenieurwissenschaften (Bachelor ab 3. Studienjahr oder Master) Ingenieurwissenschaften, Mathematik, Informatik, Physik (alle Fachsemester) Alle (Bachelor ab 2. Studienjahr oder Master) Beauftragte der Universitäten: E. Rank, München J. Huber, Erlangen J. Schulze, Stuttgart Bewerbungsschluss: Direktor: H.-J. Bungartz, Institut für Informatik, 10. Mai 2015 TU München Bewerbungsschluss 10. Mai 2015 w w w. f e r i e n a k a d e m i e. d e P. Neumann: Einfu hrung in die wissenschaftliche Programmierung IN8008, Wintersemester 2014/
47 Klausurstoff Teil I: Erste Schritte Teil II: Datentypen Teil III: Kontrollstrukturen Teil IV: Funktionen und Module Teil V: IO und Datentypen Teil VI: OOP Teil VII: Reguläre Ausdrücke Teil VIII: Exceptions Teil IX: Grafik Teil X: Partikelsysteme Teil XI: Bäume,... Teil XII: Wiss. Rechnen Teil XIII: Wärmeleitung Teil XIV: Lösung von LGS Teil XV: Mehrgitterverfahren ja ja ja ja ja (ausser Modul os) ja (außer UML) Theorie nicht, Verwendung schon (Maskierungszeichen wie \d,... werden angegeben) ja (außer Build-In Exceptions) Nein (außer Rekursion) ja ja Nur numpy, keine Paketnamen nein ja nein IN8008, Wintersemester 2014/
Ferienakademie. Ferienakademie
Scientific Computing in Computer Science, Technische Universita t Mu nchen Commercial: Ferienakademie Programm 2016 Ferienakademie Ferienakademie 18. 30.09. 2016 Sarntal (Südtirol) Sarntal / Südtirol Sonntag,
Modellbildung und Simulation SS2011 Lineare Iterationsverfahren
restart; with(plots): with(linearalgebra): Modellbildung und Simulation SS2 Lineare Iterationsverfahren Hilfsfunktionen: Bilder malen bild malt einen Vektor als stueckweise lineare Funktion ueber dem Einheitsintervall.
6a. Iterative Verfahren: Nullstellen und Optima. Besser, schneller, höher, weiter!
6a. Iterative Verfahren: Nullstellen und Optima Besser, schneller, höher, weiter! Part-II - Reserve Page 1 of 15 Konjugierte Richtungen Anstelle der Residuen oder negativen Gradienten r (i) suchen wir
Entwicklung von p-mehrgitter-verfahren für turbulente Strömungen
Entwicklung von p-mehrgitter-verfahren für turbulente Strömungen Institut für Aerodynamik und Strömungstechnik DLR 10.11.2011 1 / 24 Übersicht Motivation DG-Verfahren Gleichungen p-mehrgitter Voraussetzungen
4. Mehrgitterverfahren. 4. Mehrgitterverfahren Perlen der Informatik I, Hans-Joachim Bungartz page 1 of 31
Perlen der Informatik I, Hans-Joachim Bungartz page 1 of 31 4.1. Iterative Lösung linearer Gleichungssysteme Vorbemerkungen Mehrgitterverfahren und ihre Verwandten (multi-scale, multi-resolution, multi-something)
38 Iterative Verfahren für lineare Gleichungssysteme
38 Iterative Verfahren für lineare Gleichungssysteme 38.1 Motivation Viele praktische Probleme führen auf sehr große lineare Gleichungssysteme, bei denen die Systemmatrix dünn besetzt ist, d. h. nur wenige
Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen
Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen Iterationsverfahren: Konvergenzanalyse und Anwendungen Ulrich Rüde Lehrstuhl für Systemsimulation Sommersemester 2007 U. Rüde,
13 Beispiel: Poisson-Gleichung
13 Beispiel: Poisson-Gleichung Etwas komplizierter wird die Simulation, wenn wir mehr als eine Raumdimension haben während sich im Eindimensionalen die Unbekannten einfach der Reihe nach in eine Liste
Mehrgitter-Verfahren für DG Finite-Elemente-Diskretisierungen von turbulenten Strömungen
www.dlr.de Folie 1 > STAB Workshop, 12.11.2013 > Marcel Wallraff, Tobias Leicht 12.11.2013 Mehrgitter-Verfahren für DG Finite-Elemente-Diskretisierungen von turbulenten Strömungen Marcel Wallraff, Tobias
Lineare 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,
Einführung Eigenwerte
Einführung Eigenwerte Bei der Modellierung von Stabweren, entstehen folgende Systeme: p = Ax mit A = ENE T, Verschiebungsvetor x und Lastvetor p und Diagonalmatrix N mit den Materialeigenschaften. Betrachtet
Einführung Eigenwerte
Einführung Eigenwerte Bei der Modellierung von Stabweren, entstehen folgende Systeme: p = Ax mit A = ENE T, Verschiebungsvetor x und Lastvetor p und Diagonalmatrix N mit den Materialeigenschaften. Betrachtet
Name Vorname Fachrichtg. Matrikelnr. Punkte Klausur Aufgabe max. Punkte Punkte. Bitte beachten!
Fakultät für Mathematik Institut für Algebra und Geometrie Prof. Dr. Martin Henk, Dr. Michael Höding Modulprüfung Mathematik III Fachrichtung: Computer Science in Engineering, Computervisualistik, Informatik,
LUDWIG-MAXIMILIANS-UNIVERSITÄT MÜNCHEN. 13. Übung/Lösung Mathematik für Studierende der Biologie
LUDWIG-MAXIMILIANS-UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR BIOLOGIE Prof. Andreas Herz, Dr. Stefan Häusler email: haeusler@biologie.uni-muenchen.de Department Biologie II Telefon: 89-8-748 Großhadernerstr. Fax:
Lineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
Technische Universität Braunschweig Institut für Programmierung und Reaktive Systeme
Technische Universität Braunschweig Institut für Programmierung und Reaktive Systeme Programmieren I Dr. Werner Struckmann 12. März 2014 Name: Vorname: Matrikelnummer: Kennnummer: Anrede: Frau Herr Studiengang:
Technische Universität Braunschweig Institut für Programmierung und Reaktive Systeme
Technische Universität Braunschweig Institut für Programmierung und Reaktive Systeme Programmieren I Dr. Werner Struckmann 7. September 2015 Name: Vorname: Matrikelnummer: Kennnummer: Anrede: Frau Herr
Technische Universität Braunschweig Institut für Programmierung und Reaktive Systeme
Technische Universität Braunschweig Institut für Programmierung und Reaktive Systeme Programmieren I Dr. Werner Struckmann 13. März 2017 Name: Vorname: Matrikelnummer: Kennnummer: Anrede: Frau Herr Studiengang:
Musterlösungen zur Leistungsnachweisklausur vom Studiengang Informatik, Ingenieurinformatik, Lehramt
TU ILMENAU Institut für Mathematik Numerische Mathematik PD Dr. W. Neundorf Musterlösungen zur Leistungsnachweisklausur vom.0.006 Studiengang Informatik, Ingenieurinformatik, Lehramt 1. Lineare Algebra
Angewandte Strömungssimulation
ngewandte Strömungssimulation 8. Vorlesung Stefan Hickel Numerische Strömungsberechnung Physikalische Modellierung Mathematische Modellierung Numerische Modellierung Lösung uswertung Parameter und Kennzahlen
Aufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
D-MAVT NUMERISCHE MATHEMATIK FS 14 K. Nipp, A. Hiltebrand Lösung vom Test 2
D-MAVT NUMERISCHE MATHEMATIK FS 4 K Nipp, A Hiltebrand Lösung vom Test Sei A ( 3 3 ) a) Bestimmen Sie κ(a), die Kondition von A (in der -Norm): κ(a) b) Berechnen Sie den Spektralradius von A: ρ(a) 4 c)
Inhaltsverzeichnis Kapitel 1: Rechnen mit Zahlen... 1 Kapitel 2: Umformen von Ausdrücken... 10
Kapitel 1: Rechnen mit Zahlen...1 1.1 Rechnen mit reellen Zahlen...2 1.2 Berechnen von Summen und Produkten...3 1.3 Primfaktorzerlegung...4 1.4 Größter gemeinsamer Teiler...4 1.5 Kleinstes gemeinsames
Numerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang. Institut für Geometrie und Praktische Mathematik RWTH Aachen
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
Technische Universität Braunschweig Institut für Programmierung und Reaktive Systeme
Technische Universität Braunschweig Institut für Programmierung und Reaktive Systeme Programmieren I Dr. Werner Struckmann 6. März 2013 Name: Vorname: Matrikelnummer: Kennnummer: Anrede: Frau Herr Studiengang:
18.4 Das Newton-Verfahren
18.4 Das Newton-Verfahren Ziel: Wir suchen die Nullstellen einer Funktion f : D R n, D R n : f(x) = 0 Wir kennen bereits die Fixpunktiteration x k+1 := Φ(x k ) mit Startwert x 0 und Iterationsvorschrift
Kontrollstrukturen. T. Neckel Einführung in die wissenschaftliche Programmierung IN8008 Wintersemester 2016/
Kontrollstrukturen Generelle Bemerkungen Blöcke (siehe Struktogramme) müssen im Code markiert werden In vielen Sprachen üblich: geschweifte Klammern Python verwendet stattdessen Einrückungen Einrücktiefe
Computerphysik II. Python Einführung. S. Gerlach. WiSe S. Gerlach Computerphysik II
Computerphysik II Python Einführung S. Gerlach WiSe 2016 Programmiersprachen In der Wissenschaft: Programmiersprachen - Einteilung Eigenschaften: Skriptsprachen: Shell, Python, Perl,... Kompilierte Sprachen:
Collatz-Folge. falls a i ungerade.
14 Klausurtraining Heute gibt s nichts Neues mehr wir machen nochmal einen Streifzug durch die behandelten Themen unter besonderer Berücksichtigung von Aufgaben in der Art, wie sie in Klausuraufgaben vorzukommen
Numerische Methoden. Thomas Huckle Stefan Schneider. Eine Einführung für Informatiker, Naturwissenschaftler, Ingenieure und Mathematiker.
Thomas Huckle Stefan Schneider Numerische Methoden Eine Einführung für Informatiker, Naturwissenschaftler, Ingenieure und Mathematiker 2. Auflage Mit 103 Abbildungen und 9 Tabellen 4Q Springer Inhaltsverzeichnis
Übungsblatt 12 Musterlösung
NumLinAlg WS56 Übungsblatt 2 Musterlösung Lösung 44 (QR-Algorithmus mit Wilkinson-Shift und Deflation) a)+b) Die QR-Iteration zur Berechnung aller Eigenwerte einer Matrix A kann wie folgt implementiert
Leibniz-Rechenzentrum
Leibniz-Rechenzentrum der Bayerischen Akademie der Wissenschaften Technical Report Perspectives of High End Computing A Joint Workshop of the RRZE, KONWIHR and LRZ Erlangen, March 17, 200 März 2006 LRZ-Bericht
Lösungen zu Mathematik I/II
Dr. A. Caspar ETH Zürich, Januar D BIOL, D CHAB Lösungen zu Mathematik I/II. ( Punkte) a) Wir benutzen L Hôpital lim x ln(x) L Hôpital x 3 = lim 3x + x L Hôpital = lim x ln(x) x 3x 3 = lim ln(x) x 3 x
Begleitmaterial 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
Einführung in die Programmierung (MA8003)
Theorie 2.2: Schleifen, Vektorisierung, bedingte Ausführung Dr. Lorenz John Technische Universität München Fakultät Mathematik, Lehrstuhl für Numerische Mathematik M2 05.10.2016 Numerische Mathematik M2
1 Stückweise konstante Funktionen (ca =10 Punkte)
Einführung in die wissenschaftliche Programmierung Klausur Seite 1/5 Name, Vorname, Unterschrift: Matrikelnummer: 1 Stückweise konstante Funktionen (ca. 4+2+4=10 Punkte) In dieser Aufgabe soll eine Klasse
Frauenanteil der im ersten Fachsemester NeuImmatrikulierten in den einzelnen Fachbereichen nach angestrebtem Abschluss (Bachelor/Master) im SoSe 2010
anteil der im ersten Fachsemester NeuImmatrikulierten in den einzelnen Fachbereichen nach angestrebtem Abschluss (Bachelor/Master) im SoSe 2010 Fachbereich I 4 16,2% 33,3% 32 Fachbereich II 10 20 43,5%
a) Die Householder-Transformation, welche den ersten Spaltenvektor a 1 = der Matrix A auf , a 1 αe A = QR, A k =: Q k R k, A k+1 := R k Q k.
Karlsruher Institut für Technologie (KIT) Institut für Analysis Prof. Dr. W. Reichel Sommersemester 00 7.07.00 MODULPRÜFUNG Numerische Methoden (Höhere Mathematik IV für die Fachrichtung Meteorologie bzw.
5 Numerische Mathematik
6 5 Numerische Mathematik Die Numerische Mathematik setzt sich aus mehreren Einzelmodulen zusammen Für alle Studierenden ist das Modul Numerische Mathematik I: Grundlagen verpflichtend In diesem Modul
Einführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB)
Einführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB) Prof. R. Leithner, Dipl. Phys. E. Zander Wintersemester 2010/2011 Kapitel 8 Partielle
Übungen zur Ingenieur-Mathematik III WS 2011/12 Blatt Aufgabe 25: Berechnen Sie den kritischen Punkt der Funktion
Übungen zur Ingenieur-Mathematik III WS 11/1 Blatt 8 3.11.11 Aufgabe 5: Berechnen Sie den kritischen Punkt der Funktion fx, y 3x 5xy y + 3 und entscheiden Sie, ob ein Maximum, Minimum oder Sattelpunkt
3) Algebraische Mehrgitterverfahren
3) Algebraische Page 1 of 44 Vorbemerkungen und ihre Verwandten (multi-scale, multi-resolution, multi-something) sind die effizientesten iterativen Lösungsverfahren für große, schwach besetzte lineare
I. II. I. II. III. IV. I. II. III. I. II. III. IV. I. II. III. IV. V. I. II. III. IV. V. VI. I. II. I. II. III. I. II. I. II. I. II. I. II. III. I. II. III. IV. V. VI. VII. VIII.
Lineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 5 Aufgabe 5.1 Kommutierende Matrizen In der Vorlesung und vergangenen
Tag 3 Repetitorium Informatik (Java)
Tag 3 Repetitorium Informatik (Java) Dozent: Marius Kamp Lehrstuhl für Informatik 2 (Programmiersysteme) Friedrich-Alexander-Universität Erlangen-Nürnberg Wintersemester 2017/2018 Übersicht Typkonvertierung
Lehrstuhl II für Mathematik. Bachelor-Prüfung/Diplom-Vorprüfung/Zwischenprüfung. Höhere Mathematik I
RHEINISCH-WESTFÄLISCHE TECHNISCHE HOCHSCHULE AACHEN Lehrstuhl II für Mathematik Bachelor-Prüfung/Diplom-Vorprüfung/Zwischenprüfung Höhere Mathematik I Prüfer: Prof. Dr. E. Triesch Termin:..9 Fachrichtung:.................
Technische Universität Braunschweig Institut für Programmierung und Reaktive Systeme
Technische Universität Braunschweig Institut für Programmierung und Reaktive Systeme Programmieren I Dr. Werner Struckmann 17. Februar 2018 Name: Vorname: Matrikelnummer: Kennnummer: Anrede: Frau Herr
Differentialgleichungen
Differentialgleichungen Viele physikalische Probleme können mathematisch als gewöhnliche Differentialgleichungen formuliert werden nur eine unabhängige Variable (meist t), z.b. Bewegungsgleichungen: gleichmäßig
MATLAB Ferienkurs WS 2010/2011
MATLAB Ferienkurs WS 2010/2011 Teil 4 von 6 Andreas Klimke, Matthias Wohlmuth Technische Universität München Fakultät Mathematik, Lehrstuhl für Numerische Mathematik Basier auf Kursunterlagen von Boris
Mathematische Probleme lösen mit Maple
Mathematische Probleme lösen mit Maple Ein Kurzeinstieg Bearbeitet von Thomas Westermann überarbeitet 2008. Buch. XII, 169 S. ISBN 978 3 540 77720 5 Format (B x L): 15,5 x 23,5 cm Weitere Fachgebiete >
Einführung in Python Teil II Bibliotheken für wissenschaftliches Rechnen
Einführung in Python Teil II Bibliotheken für wissenschaftliches Rechnen Valentin Flunkert Institut für Theoretische Physik Technische Universität Berlin Fr. 28.5.2010 Nichtlineare Dynamik und Kontrolle
Lösungsvorschlag zur Modulprüfung Numerische Methoden Sommersemester 2016
Institut für Analysis Prof Dr Michael Plum Lösungsvorschlag zur Modulprüfung Numerische Methoden Sommersemester 0 0090 Aufgabe Punkte: Betrachten Sie das lineare Gleichungssystem Ax = b mit A = 0 und b
Diskrete Modellierung
Diskrete Modellierung Wintersemester 2016/17 Martin Mundhenk Uni Jena, Institut für Informatik 24. Oktober 2016 3.2 Erzeugen von Datentypen Der Datentyp Charge Charge ist eine Datentyp für geladene Teilchen
Aufgabe 1. Berechnen Sie die absolute und die relative Kondition des Problems x f(x) für die Abbildung. x = x 2 e x 1.
Name: Matrikel-Nr.: 1 Aufgabe 1. Berechnen Sie die absolute und die relative Kondition des Problems x f(x) für die Abbildung R 3 R 2, x 1 f : x 1 + e x2 2 sin(x3 ) x = x 2 e x 1 (1 + x 2 1 + x, 2x 3 )
Grundlagen der Informatik I (Studiengang Medieninformatik)
Grundlagen der Informatik I (Studiengang Medieninformatik) Thema: 3. Datentypen, Datenstrukturen und imperative Programme Prof. Dr. S. Kühn Fachbereich Informatik/Mathematik Email: skuehn@informatik.htw-dresden.de
5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
Inhaltsverzeichnis. Kapitel 1: Rechnen mit Zahlen. Kapitel 2: Umformen von Ausdrücken. Kapitel 3: Gleichungen, Ungleichungen, Gleichungssysteme
Kapitel 1: Rechnen mit Zahlen 1.1 Rechnen mit reellen Zahlen 1.2 Berechnen von Summen und Produkten 1.3 Primfaktorzerlegung 1.4 Größter gemeinsamer Teiler 1.5 Kleinstes gemeinsames Vielfaches 1.6 n-te
Softwareprojektpraktikum 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
G. Zachmann Clausthal University, Germany
lausthal Informatik II Suchen lausthal University, ermany zach@in.tu-clausthal.de Problemstellung egeben ist eine Menge von Datensätzen {A1,...,An} esucht sind die Datensätze, deren Schlüssel (Key) = A[i].key
Introduction to Python. Introduction. First Steps in Python. pseudo random numbers. May 2016
to to May 2016 to What is Programming? All computers are stupid. All computers are deterministic. You have to tell the computer what to do. You can tell the computer in any (programming) language) you
51 Numerische Berechnung von Eigenwerten und Eigenvektoren
5 Numerische Berechnung von Eigenwerten und Eigenvektoren 5. Motivation Die Berechnung der Eigenwerte einer Matrix A IR n n als Lösungen der charakteristischen Gleichung (vgl. Kapitel 45) ist für n 5 unpraktikabel,
D-ITET, D-MATL. Prüfung Numerische Methoden, Sommer 2012 Dr. Lars Kielhorn
Name: Wichtige Hinweise D-ITET, D-MATL Prüfung Numerische Methoden, Sommer 2012 Dr. Lars Kielhorn Prüfungsdauer: 90 Minuten. Nur begründete Resultate werden bewertet. Zugelassene Hilfsmittel: 10 A4-Seiten
Technische Universität Braunschweig Institut für Programmierung und Reaktive Systeme
Technische Universität Braunschweig Institut für Programmierung und Reaktive Systeme Programmieren I Dr. Werner Struckmann 8. September 2014 Name: Vorname: Matrikelnummer: Kennnummer: Anrede: Frau Herr
Glättung durch iterative Verfahren
Numerische Methoden in der Finanzmathematik II Sommersemester 211 Glättung durch iterative Verfahren Vorlesung Numerische Methoden in der Finanzmathematik II Sommersemester 211 Numerische Methoden in der
Brückenkurs Mathematik. Mittwoch Freitag
Brückenkurs Mathematik Mittwoch 5.10. - Freitag 14.10.2016 Vorlesung 4 Dreiecke, Vektoren, Matrizen, lineare Gleichungssysteme Kai Rothe Technische Universität Hamburg-Harburg Montag 10.10.2016 0 Brückenkurs
Nichtlineare Gleichungssysteme
Kapitel 5 Nichtlineare Gleichungssysteme 51 Einführung Wir betrachten in diesem Kapitel Verfahren zur Lösung von nichtlinearen Gleichungssystemen Nichtlineares Gleichungssystem: Gesucht ist eine Lösung
Iterative 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
3. Lineare Gleichungssysteme
3. Lineare Gleichungssysteme 1 3.1. Problemstellung 2 3.2. Direkte Verfahren 3 3.3. Normen und Fehleranalyse 4 3.4. Iterative Verfahren 5 3.5. Konvergenz von linearen Iterationsverfahren 6 3.6. Gradienten-Verfahren
Der 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
Hallo Welt für Fortgeschrittene
Hallo Welt für Fortgeschrittene Zahlentheorie, Arithmetik und Algebra II Benjamin Fischer Informatik 2 Programmiersysteme Martensstraße 3 91058 Erlangen Gliederung Lineare Rekursion BigInteger Chinesischer
Übungsblatt 2 Musterlösung
MSE SS17 Übungsblatt Musterlösung Lösung 5 (Transformation von Variablen) Zur Transformation gehen wir analog zur Vorlesung vor. Zunächst bestimmen wir die durch die PDGL definierte Matrix A und deren
7. Strukturmechanische Schwingungen mit der Finiten Elemente Methode
7. Strukturmechanische Schwingungen mit der Finiten Elemente Methode Unterlagen für die Durchführung des Praktikumsversuches 1. Schritt: Datenfiles mit Definition der Gitterelemente einlesen Datenfiles:
Strukturmechanische Schwingungen mit der Finiten Elemente Methode
Strukturmechanische Schwingungen mit der Finiten Elemente Methode Unterlagen für die Durchführung des Praktikumsversuches 1. Schritt: Datenfiles mit Definition der Gitterelemente einlesen Datenfiles: Rechteck_4.asc
Kap 7. Funktionen und Arrays
Kap 7. Funktionen und Arrays Elementare Algorithmen Allgemein Mathematik Text Eingabe ٧ Skalarprodukt wie Allgemein Ausgabe ٧ Länge ersetzen Summation Winkel Laenge Maximum ٧ Polynome berechnen ausschneiden
Technische Universität Braunschweig Institut für Programmierung und Reaktive Systeme
Technische Universität Braunschweig Institut für Programmierung und Reaktive Systeme Programmieren I Dr. Werner Struckmann 14. März 2016 Name: Vorname: Matrikelnummer: Kennnummer: Anrede: Frau Herr Studiengang:
(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
3.2. Divide-and-Conquer-Methoden
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE 3.2. Divide-and-Conquer-Methoden Divide-and-Conquer-Methoden Einfache Sortieralgorithmen reduzieren die Größe des noch
Institut fu r Informatik
Technische Universita t Mu nchen Institut fu r Informatik Lehrstuhl fu r Bioinformatik Einfu hrung in die Programmierung fu r Bioinformatiker Prof. B. Rost, L. Richter WS 2013/14 Aufgabenblatt 5 2. Dezember
Numerisches Verfahren für Eigenwert-Probleme aus der Instabilitätstheorie der Plasma-Rand-Wechselwirkung
Numerisches Verfahren für Eigenwert-Probleme aus der Instabilitätstheorie der Plasma-Rand-Wechselwirkung D. Löchel Betreuer: M. Hochbruck und M. Tokar Mathematisches Institut Heinrich-Heine-Universität
Einführung in die Informatik 1
Einführung in die Informatik 1 Algorithmen und algorithmische Sprachkonzepte Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag,
Mathematik für Studierende der Fachrichtungen Biologie, Chemie, Lebensmittelchemie und Erziehungswissenschaften Blatt 2
Fakultät Mathematik WS 27/8 Institut für Mathematische Stochastik / Institut für Analysis Dr. W. Kuhlisch, Dr. F. Morherr Mathematik für Studierende der Fachrichtungen Biologie, Chemie, Lebensmittelchemie
Computertechnik/Automatisierungstechnik, Elektrotechnik/Elektronik, Informationstechnik/Kommunikationstechnik und Mechatronik,
Fakultät Elektrotechnik Satzung zur Änderung der Studien- und Prüfungsordnungen für die Bachelorstudiengänge Computertechnik/Automatisierungstechnik, Elektrotechnik/Elektronik, Informationstechnik/Kommunikationstechnik
MA2000 (6) Math. Grundlagen. MA2003 (5) Maß- und Int. MA2004 (5) Vektoranalysis MA2101 (9) Algebra. MA2203 (5) Geo-Kalküle
weitere Pflichtmodule Reine Mathe frühestes Semester: 1. Sem (WiSe) 2. Sem (SoSe) 3. Sem (WiSe) 4. Sem (SoSe) 5. Sem (WiSe) 6. Sem (SoSe) MA1001 (10) Analysis 1 MA1002 (10) Analysis 2 MA2000 (6) Math.
Ausgleichsproblem. Definition (1.0.3)
Ausgleichsproblem Definition (1.0.3) Gegeben sind n Wertepaare (x i, y i ), i = 1,..., n mit x i x j für i j. Gesucht ist eine stetige Funktion f, die die Wertepaare bestmöglich annähert, d.h. dass möglichst
Algorithmik kontinuierlicher Systeme
Algorithmik kontinuierlicher Systeme Iterative Verfahren (2/2) Ziel dieser Vorlesung Wie schnell können wir Gleichungssysteme lösen? O(n 3 ) LR- oder QR-Zerlegung: Immer anwendbar Komplexität im Allgemeinen
Fakultät IV Elektrotechnik/Informatik
Fakultät IV Elektrotechnik/Informatik Probeklausur Einführung in die Informatik I Hinweis: Diese Probeklausur ist eine kleine Aufgabensammlung, die etwa dem Schwierigkeitsgrad der Teilleistung TL 2 (Programmiertest)
Mathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 213 Prof. Dr. Erich Walter Farkas Kapitel 7: Lineare Algebra Kapitel 7.5: Eigenwerte und Eigenvektoren einer quadratischen Matrix Prof. Dr. Erich Walter Farkas Mathematik
Differentialrechnung. Mathematik W14. Christina Sickinger. Berufsreifeprüfung. v 1 Christina Sickinger Mathematik W14 1 / 79
Mathematik W14 Christina Sickinger Berufsreifeprüfung v 1 Christina Sickinger Mathematik W14 1 / 79 Die Steigung einer Funktion Wir haben bereits die Steigung einer linearen Funktion kennen gelernt! Eine
Introduction to Python. Introduction. First Steps in Python. pseudo random numbers. May 2018
to to May 2018 to What is Programming? All computers are stupid. All computers are deterministic. You have to tell the computer what to do. You can tell the computer in any (programming) language) you
Finite Elemente Methoden (aus der Sicht des Mathematikers)
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt Übersicht: Partielle Differentialgleichungen, Approximation der Lösung, Finite Elemente, lineare und höhere Ansatzfunktionen, Dünn
39. Algorithmus der Woche Gauß-Seidel Iteration zur Berechnung physikalischer Probleme
39. Algorithmus der Woche Gauß-Seidel Iteration zur Berechnung physikalischer Probleme Autor Christoph Freundl, FAU Erlangen-Nürnberg Ulrich Rüde, FAU Erlangen-Nürnberg Zum Aufwärmen: Fußball Diese Woche
Operations Research für Logistik
Operations Research für Logistik Lineare Optimierung (170.202) Ao. Univ. - Prof. Norbert SEIFTER Dipl. - Ing. Stefanie VOLLAND Sommersemester 2012 Lehrstuhl Industrielogistik Lineare Optimierung Inhalte:
Lineare Gleichungssysteme
Fachhochschule Nordwestschweiz (FHNW) Hochschule für Technik Institut für Mathematik und Naturwissenschaften Arbeitsblatt Mathematik 3 (Diverses) Dozent: - Brückenkurs Mathematik / Physik 2016 Lineare
9. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 9. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS /..-4.. Aufgabe G (Koordinatentransformation)
2 Paralleles Starten eines Shell-Scripts (40 Punkte)
Universität Hamburg Übungsblatt 3 zur Vorlesung Fachbereich Informatik Hochleistungsrechnen Wissenschaftliches Rechnen im WiSe 212/213 Prof. T. Ludwig, A. Fuchs, M. Kuhn, S. Schröder Abgabe: 3.11.211 1
2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren
2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren Problem (P2): Löse Ax = b, A R n und b R. 2.1 Satz: Die folgenden Aussagen sind äquivalent: (i) Ax = b ist für jedes b eindeutig lösbar;
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2011 Einführung in die Informatik I Übungsblatt 5 Prof. Dr. Helmut Seidl, A. Lehmann, A. Herz,