Iterative Lösung dünnbesetzter Gleichungssysteme
|
|
- Berthold Lang
- vor 5 Jahren
- Abrufe
Transkript
1 Iterative Lösung dünnbesetzter Gleichungssysteme Stefan Lang Interdisziplinäres Zentrum für Wissenschaftliches Rechnen Universität Heidelberg INF 368, Raum 532 D Heidelberg phone: 06221/ WS 11/12 Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 1 / 34
2 Themen Iteratives Lösen dünnbesetzter linearer Gleichungssystemen Problemstellung Iterationsverfahren Parallelisierung Mehrgitterverfahren paralleles Mehrgitterverfahren Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 2 / 34
3 Problemstellung: Beispiel Ein kontinuierliches Problem und seine Diskretisierung: Beispiel: Eine dünne, quadratische Metallplatte sei an allen Seiten eingespannt. Die zeitlich konstante Temperaturverteilung am Rand der Metallplatte sei bekannt. Welche Temperatur herrscht an jedem inneren Punkt der Metallplatte, wenn sich ein stationärer Zustand eingestellt hat? T(x,y)? Gebiet Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 3 / 34
4 Problemstellung: kontinuierlich Dieser Wärmeleitungsvorgang kann mit einem mathematischen Modell (näherungsweise) beschrieben werden. Die Metallplatte wird durch ein Gebiet Ω R 2 beschrieben. Gesucht ist die Temperaturverteilung T(x, y) für alle (x, y) Ω. Die Temperatur T(x, y) für (x, y) auf dem Rand Ω sei bekannt. Ist die Metallplatte homogen (überall gleiche Wärmeleitfähigkeit), so wird die Temperatur im Inneren durch die partielle Differentialgleichung beschrieben. 2 T x T = 0, T(x, y) = g(x, y) auf Ω (1) y 2 Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 4 / 34
5 Problemstellung: diskret Im Rechner kann man die Temperatur nicht an jedem Punkt (x, y) Ω (überabzählbar viele) bestimmen, sondern nur an einigen ausgewählten. Dazu sei speziell Ω = [0, 1] 2 gewählt. Mittels dem Parameter h = 1/N, für ein N N, wählen wir speziell die Punkte (x i, y j ) = (ih, jh), für alle 0 i, j N. Man bezeichnet diese Menge von Punkten auch als regelmässiges, äquidistantes Gitter j Die Punkte am Rand wurden dabei mit anderen Symbolen (Quadrate) gekennzeichnet als die im Inneren (Kreise) i Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 5 / 34
6 Diskretisierung I Wie bestimmt man nun die Temperatur T ij am Punkt (x i, y j )? Eine gängige Methode, das Verfahren der Finiten Differenzen Idee: Die Temperatur am Punkt (x i, y j ) durch die Werte an den vier Nachbarpunkten ausgedrückt wird: T i,j = T i 1,j + T i+1,j + T i,j 1 + T i,j+1 4 (2) T i 1,j + T i+1,j 4T i,j + T i,j 1 + T i,j+1 = 0 (3) für 1 i, j N 1. An der Form (3) erkennt man, dass alle (N 1) 2 Gleichungen für 1 i, j N 1 zusammen ein lineares Gleichungssystem ergeben: AT = b (4) Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 6 / 34
7 Diskretisierung II Dabei entspricht G(A) genau dem oben gezeichneten Gitter, wenn man die Randpunkte (Quadrate) weglässt. Die rechte Seite b von (3) ist nicht etwa Null, sondern enthält die Temperaturwerte am Rand! Die so berechneten Temperaturwerte T i,j an den Punkten (x i, y j ) sind nicht identisch mit der Lösung T(x i, y i ) der partiellen Differentialgleichung (1). Vielmehr gilt T i,j T(x i, y i ) O(h 2 ) (5) Diesen Fehler bezeichnet man als Diskretisierungsfehler. Eine Vergrößerung von N entspricht somit einer genaueren Temperaturberechnung. Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 7 / 34
8 Iterationsverfahren I Wir wollen nun das Gleichungssystem (4) iterativ lösen. Dazu geben wir uns einen beliebigen Wert der Temperatur Ti,j 0 an jedem Punkt 1 i, j N 1 vor (die Temperatur am Rand ist ja bekannt). Ausgehend von dieser Näherungslösung wollen wir nun eine verbesserte Lösung berechnen. Dazu benutzen wir die Vorschrift (2) und setzen T n+1 i,j = T n i 1,j + T n i+1,j + T n i,j 1 + T n i,j+1 4 für alle 1 i, j N 1. (6) Offensichtlich können die verbesserten Werte T n+1 i,j für alle Indizes (i, j) gleichzeitig berechnet werden, da sie nur von den alten Werten Ti,j n abhängen. Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 8 / 34
9 Iterationsverfahren II Man kann tatsächlich zeigen, dass gilt. lim T i,j n = T i,j (7) n Den Fehler T n i,j T i,j in der n-ten Näherungslösung bezeichnet man als Iterationsfehler. Wie groß ist nun dieser Iterationsfehler? Man benötigt ja ein Kriterium bis zu welchem n man rechnen muss. Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 9 / 34
10 Iterationsverfahren III Dazu betrachtet man, wie gut die Werte Ti,j n die Gleichung (3) erfüllen, d.h. wir setzen E n = max Ti 1,j n + Ti+1,j n 4Ti,j n + Ti,j 1 n + T n 1 i,j N 1 Üblicherweise verwendet man diesen Fehler nur relativ, d.h. man iteriert so lange bis E n < ǫe 0 gilt, also der Anfangsfehler E 0 um den Reduktionsfaktor ǫ reduziert wurde. Dies führt uns zu dem sequentiellen Verfahren: wähle N, ǫ; wähle T 0 i,j; E 0 = max 1 i,j N 1 T 0 i 1,j + T 0 i+1,j 4T 0 i,j + T 0 i,j 1 + T 0 n = 0; while (E n ǫe 0 ) { } for (1 i, j N 1) i,j+1 ; i,j+1 T n+1 i,j = T i 1,j n +T i+1,j n +T i,j 1 n +T i,j+1 n ; 4 E n+1 T n+1 = max 1 i,j N 1 i 1,j + T n+1 i+1,j 4T n+1 i,j + T n+1 i,j 1 + T n+1 i,j+1 ; n = n+1; Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 10 / 34
11 Iterationsverfahren IV Kompakter können wir dies alles mit Vektoren schreiben. Zu lösen ist das Gleichungssystem (4), also AT = b. Die Näherungswerte Ti,j n entsprechen jeweils Vektoren T n. Formal berechnet sich T n+1 als T n+1 = T n + D 1 (b AT n ) mit der Diagonalmatrix D = diag(a). Dies bezeichnet man als Jacobiverfahren. Der Fehler E n ergibt sich aus E n = b A T n, wobei die Maximumnorm eines Vektors ist. Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 11 / 34
12 Parallelisierung I Der Algorithmus erlaubt wieder eine datenparallele Formulierung. Die (N + 1) 2 Gitterpunkte werden dazu durch Partitionierung der Indexmenge I = {0,...,N} auf ein P P-Prozessorfeld aufgeteilt. Die Partitionierung geschieht dabei blockweise: diese nicht Prozessor (p,q) Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 12 / 34
13 Parallelisierung II Prozessor (p, q) berechnet somit die Werte T n+1 i,j mit (i, j) {start(p),...,end(p)} {start(q),...,end(q)}. Um dies zu tun, benötigt er jedoch auch Werte T n i,j aus den Nachbarprozessoren mit (i, j) {start(p) 1,...,end(p)+1} {start(q) 1,...,end(q)+1}. Dies sind die Knoten, die in der Abbildung oben mit Quadraten gekennzeichnet sind! Jeder Prozessor speichert also zusätzlich zu den ihm zugewiesenen Gitterpunkten noch eine zusätzliche Schicht von Gitterpunkten. Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 13 / 34
14 Parallelisierung III Der parallele Algorithmus besteht somit aus folgenden Schritten: Startwerte Ti,j 0 sind allen Prozessoren bekannt. while (E n > ǫe 0 ) { berechne T n+1 i,j für (i, j) {start(p),...,end(p)} {start(q),...,end(q)}; tausche Randwerte (Quadrate) mit Nachbarn aus; Berechne E n+1 auf (i, j) {start(p),...,end(p)} {start(q),...,end(q)}; Bilde globales Maximum; n = n+1; } Im Austauschschritt tauschen zwei benachbarte Prozessoren Werte aus: (p,q) (p,q+1) Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 14 / 34
15 Parallelisierung IV Für diesen Austauschschritt verwendet man entweder asynchrone Kommunikation oder synchrone Kommunikation mit Färbung. Wir berechnen die Skalierbarkeit einer Iteration: W = T S (N) = N 2 W t op = N = T P (N, P) = ( ) 2 N t op P }{{} Berechnung T P (W, P) = W P + W P T O (W, P) = PT P W = t op ) N + (t s + t h + t w P 4+(t s + t h + t w ) ld P }{{}}{{} globale Randaustausch Komm.: Max. für E n 4t w top +(t s + t h + t w ) ld P + 4(t s + t h ) = W P 4t w top + P ld P(t s + t h + t w )+P4(t s + t h ) Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 15 / 34
16 Parallelisierung V Asymptotisch erhalten wir die Isoeffizienzfunktion W = O(P ld P) aus dem zweiten Term, obwohl der erste Term für praktische Werte von N dominant sein wird. Der Algorithmus ist nahezu optimal skalierbar. Aufgrund der blockweisen Aufteilung hat man einen / ( ) 2 N Oberfläche-zu-Volumen Effekt: P P N = P N. In drei Raumdimensionen erhält man ( N P 1/3 ) 2 /( N P 1/3 ) 3 = P 1/3 N. Für gleiches N und P ist also die Effizienz etwas schlechter als in zwei Dimensionen. Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 16 / 34
17 Mehrgitterverfahren I Fragen wir uns nach der Gesamteffizienz eines Verfahrens, so ist die Zahl der Operationen entscheidend. Dabei ist T S (N) = IT(N) T IT (N) Wieviele Iterationen nun tatsächlich auszuführen sind, hängt neben N natürlich von dem benutzen Verfahren ab. Dazu erhält man die folgenden Klassifikationen: Jacobi, Gauß-Seidel : IT(N) = O(N 2 ) SOR mit ω opt : IT(N) = O(N) konjugierte Gradienten (CG) : IT(N) = O(N) hierarchische Basis d=2 : IT(N) = O(log N) Mehrgitterverfahren : IT(N) = O(1) Die Zeit für eine Iteration T IT (N) ist dabei für alle Verfahren in O(N d ) mit vergleichbarer Konstante ( liegt im Bereich von 1 bis 5 ). Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 17 / 34
18 Mehrgitterverfahren II Wir sehen also, daß z.b. das Mehrgitterverfahren sehr viel schneller ist, als das Jacobi-Verfahren. Auch die Parallelisierung des Jacobi-Verfahrens hilft da nicht, denn es gelten: T P,Jacobi (N, P) = O(Nd+2 ) P und T S,MG (N) = O(N d ) Eine Verdopplung von N hat also eine Vervierfachung des Aufwandes des parallelisierten Jacobi- Verfahrens im Vergleich zum sequentiellen Mehrgitterverfahren zur Folge! Das führt uns auf ein grundsätzliches Gebot der parallelen Programmierung: Parallelisiere den besten sequentiellen Algorithmus, wenn irgend möglich! Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 18 / 34
19 Mehrgitterverfahren III Betrachten wir noch einmal die Diskretisierung der Laplacegleichung T = 0. Diese ergibt das lineare Gleichungssystem Ax = b Dabei wird der Vektor b durch die Dirichlet-Randwerte bestimmt. Sei nun eine Näherung der Lösung durch x i gegeben. Setze dazu den Iterationsfehler e i = x x i Aufgrund der Linearität von A können wir folgern: Ae i = }{{} Ax Ax i = b Ax i =: d i b Dabei nennen wir d i den Defekt. Eine gute Näherung für e i berechnet man durch das Lösen von Mv i = d i also v i = M 1 d i Dabei sei M leichter zu lösen, als A ( in O(N) Schritten, wenn x R N ). Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 19 / 34
20 Mehrgitterverfahren IV Für spezielle M bekommen wir bereits bekannte Iterationsverfahren : M = I M = diag(a) Richardson Jacobi M = L(A) Gauß-Seidel Wir erhalten lineare Iterationsverfahren der Form x i+1 = x i +ωm 1 (b Ax i ) Dabei stellt das ω [0, 1] einen Dämpfungsfaktor dar. Für den Fehler e i+1 = x x i+1 gilt: e i+1 = (I ωm 1 A)e i Dabei bezeichnen wir die Iterationsmatrix I ωm 1 A mit S. Es liegt genau dann Konvergenz (lim i e i = 0) vor, wenn der betragsgrößte Eigenwert von S echt(!) kleiner als Eins ist. Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 20 / 34
21 Glättungseigenschaft I Ist die Matrix A symmetrisch und positiv definit, so hat sie nur reelle, positive Eigenwerte λ k zu Eigenvektoren z k. Die Richardson-Iteration x i+1 = x i +ω(b Ax i ) führt wegen M = I auf die Fehlerfortpfanzung e i+1 = (I ωa)e i Nun setzen wir den Dämpfungsfaktor ω = 1 λ max und betrachten e i = z k ( k). Dann erhalten wir ( e i+1 = I 1 ) A z k = z k λ ( k z k = 1 λ k λ max λ max ( 1 λ ) k = λ max λ max ) e i { 0 λ k = λ max 1 λ k klein (λ min ) Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 21 / 34
22 Glättungseigenschaft II Im Fall kleiner Eigenwerte haben wir also eine schlechte Dämpfung des Fehlers ( sie liegt in der Größenordnung von 1 - O ( h 2 ) ). Dieses Verhalten ist für die Jacobi und Gauß-Seidel Iterationsverfahren qualitativ identisch. Zu kleinen Eigenwerten gehören aber langwellige Eigenfunktionen. Diese langwelligen Fehler werden also nur sehr schlecht gedämpft. Anschaulich betrachtet bieten die Iterationsverfahren nur eine lokale Glättung des Fehlers, auf dem sie arbeiten, denn sie ermitteln neue Iterationswerte ja nur aus Werten in einer lokalen Nachbarschaft. Schnelle Oszillationen können werden schnell herausgeglättet, während langwellige Fehler die lokalen Glättungen weitgehend unverändert überstehen. Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 22 / 34
23 Glättungseigenschaft III Zur Veranschaulichung betrachen wir folgendes Beispiel: Die Laplacegleichung u = f wird mittels eines Fünf-Punkte-Sterns auf einem strukturierten Gitter diskretisiert. Die zugehörigen Eigenfunktionen sind sin(νπx) sin(µπy), wobei 1 ν und µ h 1 1 gelten. Wir setzen h = 1 und den Initialisierungsfehler auf 32 e 0 = sin(3πx) sin(2πy)+sin(12πx) sin(12πy)+sin(31πx) sin(31πy). Mit ω = 1 λ max erhält man die Dämpfungfaktoren ( pro Iteration ) für die Richardson Iteration durch 0.984, und 0 für die einzelnen Eigenfunktionen. Die untenstehenden Graphen zeigen den Initialisierungsfehler und den Fehler nach einer bzw. fünf Iterationen z z y y x x Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 23 / 34
24 Glättungseigenschaft IV Daher kommt man auf die Idee, diese langwelligen Fehler auf gröberen Gittern darzustellen, nachdem die schnellen Ozillationen herausgeglättet worden sind. Auf diesen gröberen Gittern ist dann der Aufwand, um die Fehlerkurve zu glätten, geringer. Weil die Kurve nach der Vorglättung einigermaßen glatt ist, ist diese Restriktion auf weniger Gitterpunkte gut möglich z z y y 0.2 x x Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 24 / 34
25 Gitterhierarchie I Man erstellt also eine ganze Folge von Gittern verschiedener Feinheit. Glättet zunächst auf dem feinsten die kurzwelligen Fehlerfunktionen heraus. Geht dann auf das nächst gröbere Gitter über usw.. Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 25 / 34
26 Gitterhierarchie II Entsprechend erhält man eine ganze Folge linearer Systeme A l x l = b l, da ja die Anzahl der Gitterpunkte N und damit die Länge von x auf gröberen Gittern schwindet. Natürlich will man nach dieser Restriktion wieder auf das ursprüngliche feine Gitter zurückkehren. Dazu führt man eine Grobgitterkorrektur durch. Nehmen wir dazu an, wir seinen auf Gitterstufe l, betrachten also das LGS A l x l = b l Auf dieser Stufe ist eine Iterierte xl i mit Fehler el i gegeben, also die Fehlergleichung Ael i = b l A l xl i Nehmen wir an, xl i ist Ergebnis von ν 1 Jacobi, Gauß-Seidel oder ähnlichen Iterationen. Dann ist el i verhältnismäßig glatt und somit auch gut auf einem gröberen Gitter darstellbar, das heißt, er kann von einem gröberen Gitter gut auf das feinere interpoliert werden. Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 26 / 34
27 Gitterhierarchie III Sei dazu v l 1 der Fehler auf dem gröberen Gitter. Dann ist in guter Näherung e i l P l v l 1 Dabei ist P l eine Interpolationsmatrix ( Prolongation ), die eine linerare Interpolation ausführt und so aus dem Grobgittervektor einen Feingittervektor macht. Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 27 / 34
28 Zweigitter- und Mehrgitterverfahren I Durch Kombination der obigen Gleichungen erhält man die Gleichung für v l 1 durch R l AP l v l 1 = R l (b l A l x i l) Dabei ist R l AP l =: A l 1 R N l 1 N l 1 und Rl ist die Restriktionsmatrix, für die man z.b. R l = Pl T nimmt. Ein sogenanntes Zweigitterverfahren besteht nun aus den beiden Schritten: 1 ν 1 Jacobi-Iterationen ( auf Stufe l ) 2 Grobgitterkorrektur x i+1 l = xl i + P l A 1 l 1 R l(b l A l xl) i Die rekursive Anwendung führt auf die Mehrgitterverfahren. mgc(l, x l, b l ) { if ( l == 0 ) x 0 = A 1 b 0 0 ; else { ν 1 Iterationen Eingitterverfahren auf A l x l = b l ; //Vorglättung d l 1 = R l (b l A l x l ); v l 1 = 0; for ( g = 1,...,γ ) mgc( l 1, v l 1, d l 1 ); x l = x l + P l v l 1 ; ν 2 Iterationen Eingitterverfahren auf A l x l = b l ; //Nachglättung } } Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 28 / 34
29 Zweigitter- und Mehrgitterverfahren II Es ist ausreichend, γ = 1,ν 1 = 1,ν 2 = 0 zu setzen, damit die Iterationszahl O(1) ist. Der einmalige Durchlauf von Stufe l bis Stufe 0 und zurück heißt V-Zyklus: bezeichnet. Aufwand für zweidimensionales strukturiertes Gitter: N ist Anzahl der Gitterpunkte in einer Zeile auf der feinsten Stufe, und C := t op: T IT (N) = CN }{{} 2 + CN2 + CN2 4 Stufe l }{{} G(N 0) }{{} Grobgitter Stufe l-1 = CN 2 ( ) +G(N 0 ) = 4 }{{} 3 CN l + G(N 0 ) 4 3 Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 29 / 34
30 Parallelisierung I Zur Datenverteilung in der Gitterhierarchie auf die einzelnen Prozessoren ist zu berücksichtigen: In der Grobgitterkorrektur muß geprüft werden, ob zur Berechnung der Knotenwerte im Grobgitter Kommunikation erforderlich ist. Wie verfährt man mit den gröbsten Gittern, in denen pro Dimensionsrichtung die Anzahl der Unbekannten kleiner als die Anzahl der Prozessoren wird? Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 30 / 34
31 Parallelisierung II Zur Illustrierung des Verfahrens betrachten wir den eindimensionalen Fall. Die Verteilung im höherdimensionalen Fall erfolgt entsprechend dem Tensorprodukt ( schachbrettartig ). Die Prozessorgrenzen werden gewählt bei p 1 +ǫ, also die Knoten, die auf dem P Rand zwischen zwei Prozessoren liegen, noch dem vorderen zugeteilt. Zu bemerken ist, daß der Defekt, der in der Grobgitterkorrektur restringiert wird, nur auf den eigenen Knoten berechnet werden kann, nicht aber im Overlap! Um dem Problem der schwindenden Anzahl von Knoten in den gröbsten Gittern zu begegnen, nutzt man sukzessive weniger Prozessoren. Sei dazu a := ld P und wieder C := t op. Auf Stufe 0 wird nur ein Prozessor beschäftigt, erst auf Stufe a sind alle beschäftigt Stufe l a+1 a Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 31 / 34
32 Parallelisierung III Stufe Knoten Prozessoren Aufwand l N l = 2 l a N a P l = P T = 2 l a CN 0 a+1 N a+1 = 2N a P a+1 = P T = 2CN 0 a N a P a = P T = CN 0 2 N 2 = 4N 0 P 2 = 4P 0 T = CN 2 4 = CN 0 1 N 1 = 2N 0 P 1 = 2P 0 T = CN 1 = C2N = CN 0 0 N 0 P 0 = 1 G(N 0 ) sei CN 0 Betrachten wir den Gesamtaufwand: Von Stufe 0 bis Stufe a ist N P konstant, also wächst T P wie ld P. Daher bekommen wir T P = ld P CN 0 In den höheren Stufen bekommen wir T P = C (1+ Nl P ) +... = 2C N l P Den Gesamtaufwand bildet dann die Summe der beiden Teilaufwände. Nicht berücksichtigt ist dabei die Kommunikation zwischen den Prozessoren. Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 32 / 34
33 Parallelisierung IV Wie wirkt sich der Einsatz des Mehrgitterverfahrens auf die Anzahl der auszuführenden Iterationsschritte aus? Aufgezeichnet wird die Anzahl der eingesetzten Prozessoren gegen die Wahl der Gitterfeinheit, die verwendet wurde. Es wurde eine Reduktion des Fehlers auf 10 6 durchgeführt. P/l Die Tabelle zeigt die entsprechenden Iterationzeiten in Sekunden für 2D (Faktor 4 Gitterwachstum): P/l Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 33 / 34
34 Die wichtigsten Erkenntnisse Jacobiverfahren ist eines der simpelsten Iterationsverfahren zur Lösung von linearen Gleichungssystemen. Bei festem Reduktionsfaktor ǫ benötigt man eine bestimmte Zahl von Iterationen IT um diese Fehlerreduktion zu erreichen. IT ist unabhängig von der Wahl des Startwertes, hängt aber unmittelbar von der Wahl des Verfahrens (z.b. Jacobiverfahren) und der Gitterweite h (also N) ab. Beim Jacobiverfahren gilt IT = O(h 2 ). Bei einer Halbierung der Gitterweite h benötigt man die vierfache Zahl von Iterationen, um die Fehlerreduktion ǫ zu erreichen. Da eine Iteration auch viermal mehr kostet, ist der Aufwand um den Faktor 16 gestiegen! Es gibt eine Reihe von besseren Iterationsverfahren bei denen z.b. IT = O(h 1 ), IT = O(log(h 1 )) oder gar IT = O(1) gilt (CG-Verfahren, hierarchische Basis, Mehrgitterverfahren). Asymptotisch (h ) ist natürlich jedes dieser Verfahren einem parallelen naiven Verfahren überlegen. Man sollte deshalb unbedingt Verfahren optimaler sequentieller Komplexität parallelisieren, insbesondere weil man auf dem Parallelrechner große Probleme (h klein) lösen möchte. Stefan Lang (IWR) Simulation auf Höchstleistungsrechnern WS 11/12 34 / 34
KAPITEL 1. Einleitung
KAPITEL 1 Einleitung Wir beschäftigen uns in dieser Vorlesung mit Verfahren aus der Numerischen linearen Algebra und insbesondere dem sogenannten Mehrgitterverfahren zur Lösung linearer Gleichungssysteme
Iterative Löser: Einführung
Iterative Löser: Einführung Im vergangenen Semester wurden folgende Löser für LGS betrachtet: LU-Zerlegung (mit und ohne Pivotisierung) QR-Zerlegung (Householder und Givens) Lösung beliebiger, regulärer,
III. Iterative Löser. III.1 Direkte Löser und ihre Nachteile. III.2 Klassische lineare Iterationsverfahren
III. Iterative Löser III.1 Direkte Löser und ihre Nachteile III.2 Klassische lineare Iterationsverfahren Typeset by FoilTEX 1 Erinnerung: Lineares Gleichungssystem bei FDM Diskretisierung einer linearen
Kapitel 6. Iterationsverfahren für lineare Gleichungssysteme
Kapitel 6 Iterationsverfahren für lineare Gleichungssysteme Falls n sehr groß ist und falls die Matrix A dünn besetzt ist (sparse), dann wählt man zur Lösung von Ax = b im Allgemeinen iterative Verfahren.
Numerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 11 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 2010 Prof. Dr. Klaus Höllig
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,
Lineare Iterationsverfahren: Definitionen
Lineare Iterationsverfahren: Definitionen 1. Ein Lösungsverfahren zur Berechnung von Ax = b heißt iterativ, falls ausgehend von einem Startwert x eine Folge x k von Iterierten bestimmt wird. 2. Ein Iterationsverfahren
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
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
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
Numerik II Numerik Elliptischer Differentialgleichungen
Numerik II 207 12 Numerik Elliptischer Differentialgleichungen 12 Numerik Elliptischer Differentialgleichungen TU Bergakademie Freiberg, SS 2010 Numerik II 208 12.1 Die Laplace-Gleichung in einem Quadrat
2. Geben Sie für das Jacobi-Verfahren eine scharfe a-priori Abschätzung für den Fehler. x (10) x p
Wiederholungsaufgaben Algorithmische Mathematik Sommersemester Prof. Dr. Beuchler Markus Burkow Übungsaufgaben Aufgabe. (Jacobi-Verfahren) Gegeben sei das lineare Gleichungssystem Ax b = für A =, b = 3.
III. Iterative Löser. III.1 Direkte Löser und ihre Nachteile. III.2 Klassische Iterationsverfahren
III. Iterative Löser III.1 Direkte Löser und ihre Nachteile III.2 Klassische Iterationsverfahren Kapitel III (0) 1 Erinnerung: Lineares Gleichungssystem bei FDM Diskretisierung einer linearen PDGL 2. Ordnung
A 1 x = b, A 1 R m m, m := (n 1) 2, nh = 1, T I I T I. A 1 = 1 h 2 I T. T R (n 1) (n 1) und I ist die (n 1) (n 1)-Identitätsmatrix.
KAPITEL 13. Große dünnbesetzte LGS, iterative Löser Erstes Beispielproblem: die diskretisierte Poisson-Gleichung wobei A 1 x = b, A 1 R m m, m := (n 1) 2, nh = 1, A 1 = 1 h 2 T I I T I......... I T I I
III. Iterative Löser. III.1 Direkte Löser und ihre Nachteile. III.2 Klassische Iterationsverfahren. III.3 GMRES und CG-Verfahren
III. Iterative Löser III.1 Direkte Löser und ihre Nachteile III.2 Klassische Iterationsverfahren III.3 GMRES und CG-Verfahren Kapitel III (0) 1 Erinnerung: Lineares Gleichungssystem bei FDM Diskretisierung
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
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,
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
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
Numerische Simulation mit finiten Elementen. O. Rheinbach
Numerische Simulation mit finiten Elementen O. Rheinbach Numerische Simulation mit finiten Elementen INHALT 0.1 Finite Differenzen in 2D 1. Einleitung 1.1 Vorbemerkungen 1.2 Rand- und Anfangswertaufgaben
Iterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
5.3.5 Abstiegs & Gradientenverfahren
5.3 Iterative Lösungsverfahren für lineare Gleichungssysteme 5.3.5 Abstiegs & Gradientenverfahren Die bisher kennengelernten Iterationsverfahren zur Approximation von linearen Gleichungssystemen haben
Sommersemester 2017 Blatt 1 von 6 Studiengänge: RMM Masterstudiengang Sem. 1 und Wiederholer
HOCHSCHULE ESSLINGEN Sommersemester 07 Blatt von 6 Studiengänge: RMM Masterstudiengang Sem. und Wiederholer Prüfungsfach: Hilfsmittel: Modellbildung und Simulation Literatur, Manuskript; keine Taschenrechner
Temperaturverteilung auf einer homogenen Platte
Temperaturverteilung auf einer homogenen Platte Ch. Sommer, H. Sormann und W. Kernbichler 30. Januar 2002 Inhaltsverzeichnis 1 Kurzbeschreibung 2 2 Programmbeschreibung 3 3 Theoretische Grundlagen 4 4
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt Übersicht Partielle Differentialgleichungen, Approximation der Lösung Finite Elemente, lineare und höhere Ansatzfunktionen Dünn
Modellieren in der Angewandten Geologie II. Sebastian Bauer
Modellieren in der Angewandten Geologie II Geohydromodellierung Institut für Geowissenschaften Christian-Albrechts-Universität zu Kiel CAU 3-1 Die Finite Elemente Method (FEM) ist eine sehr allgemeine
Iterative Lösung Linearer Gleichungssysteme
Iterative Lösung Linearer Gleichungssysteme E. Olszewski, H. Röck, M. Watzl 1. Jänner 00 E. Olszewski, H. Röck, M. Watzl: WAP (WS 01/0) 1 Vorwort C.F.Gauß in einem Brief vom 6.1.18 an Gerling:
Musterlösungen zur Leistungsnachweisklausur vom Studiengang Informatik, Ingenieurinformatik, Lehramt
TU ILMENAU Institut für Mathematik Numerische Mathematik PD Dr. W. Neundorf Musterlösungen zur Leistungsnachweisklausur vom.0.006 Studiengang Informatik, Ingenieurinformatik, Lehramt 1. Lineare Algebra
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
Paralleles Höchstleistungsrechnen. Lösung tridiagonaler und dünnbesetzter linearer Gleichungssysteme
Paralleles Höchstleistungsrechnen Lösung tridiagonaler und dünnbesetzter linearer Gleichungssysteme Stefan Lang Interdisziplinäres Zentrum für Wissenschaftliches Rechnen Universität Heidelberg INF 368,
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
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)
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
Einführung FEM 1D - Beispiel
p. 1/28 Einführung FEM 1D - Beispiel /home/lehre/vl-mhs-1/folien/vorlesung/4_fem_intro/deckblatt.tex Seite 1 von 28 p. 2/28 Inhaltsverzeichnis 1D Beispiel - Finite Elemente Methode 1. 1D Aufbau Geometrie
7. Iterative Lösung. linearer Gleichungssysteme
7. Iterative Lösung linearer Gleichungssysteme 1 Grundlagen (1) Zur Erinnerung: Gesucht ist die Lösung eines linearen Gleichungssystems a 0,0 x 0 +a 0,1 x 1 + a 0,n 1 x n 1 = b 0 a 1,0 x 0 +a 1,1 x 1 +
Algorithmik kontinuierlicher Systeme
Algorithmik kontinuierlicher Systeme Iterative Verfahren (2/2) Ziel dieser Vorlesung Wie schnell können wir Gleichungssysteme lösen? O(n 3 ) LR- oder QR-Zerlegung: Immer anwendbar Standardverfahren Aber:
Beispiellösung Serie 7
D-MAVT FS 2014 K. Nipp A. Hiltebrand NUMERISCHE MATHEMATIK Beispiellösung Serie 7 1. a) Exakt: 0.005 1 1 1 0.005 1 ( 1 0 200-199 L = 200 1 Rückwärts einsetzen Lz = b : z 1 = 0.5, z 2 = 1 100 = 99 Rx =
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
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
Lineare Gleichungssysteme Hierarchische Matrizen
Kompaktkurs Lineare Gleichungssysteme Hierarchische Matrizen M. Bebendorf, O. Steinbach O. Steinbach Lineare Gleichungssysteme SIMNET Kurs 24. 27.4.26 / 6 Numerische Simulation stationäre und instationäre
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
Numerisches Rechnen. (für Informatiker) M. Grepl J. Berger & J.T. Frings. Institut für Geometrie und Praktische Mathematik RWTH Aachen
(für Informatiker) M. Grepl J. Berger & J.T. Frings Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2010/11 Problemstellung Lineare Gleichungssysteme, iterative Verfahren geg.:
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;
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)
Aufwand und Komplexität Vorlesung vom Komplexität und Effizienz
Aufwand und Komplexität Vorlesung vom 15.12.17 Komplexität und Effizienz Aufwand: Anzahl dominanter Operationen (worst-case). Beispiel. Landau-Symbol O(n). Beispiel. Definition: Aufwand eines Algorithmus.
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
PS Numerische Mathematik für LAK WS 08/09, LV-Nr.: , HS Übungsblatt (bis )
. Übungsblatt (bis 5.0.2008). Aufgabe. Skizzieren Sie die Einheitskugeln K (0,) im R 2 für die Normen, 2 und. 2. Aufgabe. Beweisen Sie x x 2 n x für alle x R n. 3. Aufgabe. Bestimmen Sie die relative Konditionszahl
Optimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
II. Elliptische Probleme
II. Elliptische Probleme II.1 Finite Differenzen: Grundidee II.2 Konvergenzaussagen II.3 Allgemeine Randbedingungen II.4 Gekrümmte Ränder Kapitel II (0) 1 Dirichlet Randwerte mit finiten Differenzen Einfachster
Lineare Gleichungssysteme
Mathematik I für Biologen, Geowissenschaftler und Geoökologen 5. Dezember 2007 Definition : Tomographie (Fortsetzung) : Tomographie Definition: Ein lineares Gleichungssystem (LGS) ist ein System von n
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
Beginn der Vorlesung zur Numerik I (Wintersemester 2010/2011)
M. Sc. Frank Gimbel Beginn der Vorlesung zur Numerik I (Wintersemester 2010/2011) 1 Motivation Ziel ist es, ein gegebenes lineares Gleichungssystem der Form Ax = b (1) mit x, b R n und A R n n zu lösen.
1 Umkehrfunktionen und implizite Funktionen
Mathematik für Physiker III WS 2012/2013 Freitag 211 $Id: implizittexv 18 2012/11/01 20:18:36 hk Exp $ $Id: lagrangetexv 13 2012/11/01 1:24:3 hk Exp hk $ 1 Umkehrfunktionen und implizite Funktionen 13
Praktikum Wissenschaftliches Rechnen 7. Aufgabenblatt
Institut für Wissenschaftliches Rechnen Technische Universität Braunschweig Prof. Hermann G. Matthies, Ph. D. Dipl.-inform. Oliver Kayser-Herold Praktikum Wissenschaftliches Rechnen 7. Aufgabenblatt Die
Einführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gausling, M.Sc. C. Hendricks, M.Sc. Sommersemester 4 Bergische Universität Wuppertal Fachbereich C Mathematik und Naturwissenschaften Angewandte Mathematik / Numerische Analysis
Angewandte Strömungssimulation
ngewandte Strömungssimulation 8. Vorlesung Stefan Hickel Numerische Strömungsberechnung Physikalische Modellierung Mathematische Modellierung Numerische Modellierung Lösung uswertung Parameter und Kennzahlen
Angewandte Strömungssimulation
Angewandte Strömungssimulation 7. Vorlesung Stefan Hickel Druck-Geschwindigkeits-Kopplung Lösung der Navier-Stokes Gleichungen Kompressible NSG! Massenerhaltung! Impulserhaltung ρu t! Energieerhaltung
Finite Elemente. Dr. S.-J. Kimmerle Institut für Mathematik und Rechneranwendung Fakultät für Luft- und Raumfahrttechnik Wintertrimester 2015
Dr. S.-J. Kimmerle Institut für Mathematik und Rechneranwendung Fakultät für Luft- und Raumfahrttechnik Wintertrimester 5 Aufgabe 8 (Speichertechniken) Finite Elemente Übung 5 a) Stellen Sie die Matrix
(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
Prüfung zur Vorlesung Mathematik I/II
Dr. A. Caspar ETH Zürich, August 2011 D BIOL, D CHAB Prüfung zur Vorlesung Mathematik I/II Bitte ausfüllen! Name: Vorname: Legi-Nr.: Nicht ausfüllen! Aufgabe Punkte Kontrolle 1 2 3 4 5 6 Total Vollständigkeit
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
Vorkurs Mathematik Übungen zu linearen Gleichungssystemen
Vorkurs Mathematik Übungen zu linearen Gleichungssystemen Lineare Gleichungssysteme lösen Aufgabe. Lösen sie jeweils das LGS A x = b mit ( ( a A =, b = b A =, b = 6 Aufgabe. Berechnen Sie für die folgenden
Modulprüfung Numerische Mathematik 1
Prof. Dr. Klaus Höllig 18. März 2011 Modulprüfung Numerische Mathematik 1 Lösungen Aufgabe 1 Geben Sie (ohne Beweis an, welche der folgenden Aussagen richtig und welche falsch sind. 1. Die Trapezregel
D-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski. Serie 9
D-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski Serie 9 Best Before: 24.5/25.5, in den Übungsgruppen (2 wochen) Koordinatoren: Alexander Dabrowski, HG G 52.1, alexander.dabrowski@sam.math.ethz.ch
Parareal. Ein paralleler Lösungsalgorithmus für gewöhnliche Differentialgleichungen. Johannes Reinhardt. Parareal 1 Johannes Reinhardt
Ein paralleler Lösungsalgorithmus für gewöhnliche Differentialgleichungen Johannes Reinhardt 1 Johannes Reinhardt Übersicht Grundlagen Gewöhnliche Differentialgleichungen Numerische Methoden Der Algorithmus
7. Iterative Lösung. linearer Gleichungssysteme
7. Iterative Lösung linearer Gleichungssysteme 1 Grundlagen und Wiederholung (1) Die Grundlagen decken sich mit dem Stoff, der einen Teil des Kapitels 2 - Numerik ausmacht und bereits in Mathematik behandelt
Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
Klausur Numerische Mathematik (für Elektrotechniker), 24. Februar 2016
Verständnisfragen-Teil ( Punkte) Jeder der Verständnisfragenblöcke besteht aus Verständnisfragen. Werden alle Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es für diesen Block Punkte.
Numerische Methoden I Schriftliche Prüfung Gruppe A 23. Jan :00-14:00 (120 min)
Lehrstuhl für Angewandte Mathematik Montanuniversität Leoben 70 004 Numerische Methoden I Schriftliche Prüfung Gruppe A 23. Jan. 207 2:00-4:00 (20 min) Name Matrikelnummer Mündliche Prüfung: Bitte markieren
Iterative Verfahren für lineare Gleichungssysteme
Iterative Verfahren für lineare Gleichungssysteme Vorlesung Sommersemester 013 Humboldt-Universität zu Berlin Zeiten können noch nach Wunsch vereinbart werden! Kontakt: Dr. Rüdiger Müller Weierstraß-Institut
Lösungsvorschlag zur Modulprüfung Numerische Methoden - Wintersemester 2016/17
Institut für Analysis Prof Dr Michael Plum Lösungsvorschlag zur Modulprüfung Numerische Methoden - Wintersemester 6/7 837 Aufgabe Punkte): Gegeben sei das lineare Gleichungssystem Ax = b mit A = 6 3 und
Lineare Gleichungssysteme
Lineare Gleichungssysteme Beispiel: Feder Masse System festes Ende Feder k 1 Masse m 1 k 2 m 2 k 3 m 3 k 4 festes Ende u 0 = 0 Federkraft y 1 Verschiebung u 1 y 2 u 2 y 3 u 3 y 4 u 4 = 0 Grundlagen der
KLAUSUR. Name: Vorname: Matr. Nr./Studiengang: Versuch Nr.:
KLAUSUR Lineare Algebra (E-Techniker/Mechatroniker/W-Ingenieure/Informatiker).3. (W. Koepf) Name: Vorname: Matr. Nr./Studiengang: Versuch Nr.: Für jede Aufgabe gibt es Punkte. Zum Bestehen der Klausur
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
VF-2: 2. Es seien x = 1 3 und y = π Bei der Berechnung von sin(x) sin(y) in M(10, 12, 99, 99) tritt. Auslöschung auf.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H11 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
Kurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok
Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de
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
Musterlösung. Aufgaben zu Iterative Lösung Linearer Gleichungssysteme. Vordiplomskurs Numerische Methoden Sommer 2008
Musterlösung Aufgaben zu Iterative Lösung Linearer Gleichungssysteme Vordiplomskurs Numerische Methoden Sommer 8. Betrachte das Gleichungssystem Ax b mit ( ( 3 A, b. 6 8 a Konvergiert das Jacobi Verfahren
Name: Matr.-Nr.: 2. Aufgabe 1. Gegeben sei das folgende lineare Gleichungssystem: b a 2 3a 1
Name: Matr.-Nr.: 2 Aufgabe 1. Gegeben sei das folgende lineare Gleichungssystem: 1 1 0 2 b 1 1 2 4 1 1 4 6 x = 1 1. 2 2 2a 2 3a 1 (a) Bringen Sie das lineare Gleichungssystem auf Treppenform. (b) Für welche
5.4 Basis, Lineare Abhängigkeit
die allgemeine Lösung des homogenen Systems. Wieder ist 2 0 L i = L h + 0 1 Wir fassen noch einmal zusammen: Ein homogenes lineares Gleichungssystem A x = 0 mit m Gleichungen und n Unbekannten hat n Rang(A)
Newton-Verfahren für ein Skalarfunktion
Newton-Verfahren für ein Skalarfunktion Für eine Näherungsberechnung von Nullstellen einer reellen Funktion f(x) : R R benutzt man das Newton-Verfahren: x (n+1) = x (n) f(x (n) )/f (x (n) ). Das Newton-Verfahren
Teil XV. Mehrgitterverfahren zur Lösung linearer Gleichungssysteme
Teil XV Mehrgitterverfahren zur Lösung linearer Gleichungssysteme T. Neckel Einführung in die wissenschaftliche Programmierung IN8008 Wintersemester 2017/2018 387 Konzept von Teil XV: Mehrgitterverfahren
Nichtlineare Ausgleichsrechnung
10. Großübung Nichtlineare Ausgleichsrechnung Allgemeines Problem: Wir betrachten ein nichtlineares System F : R n R m mit (m > n, d.h. das System ist überbestimmt und F i (x g(t i ; x g i! 0 i 1,.., m.
Kevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
Prof. Steinwart Höhere Mathematik I/II Musterlösung A =
Prof. Steinwart Höhere Mathematik I/II Musterlösung 7..7 Aufgabe ( Punkte) (a) Bestimmen Sie die Eigenwerte und Eigenräume der Matrix A mit 3 3 A = 3 Ist die Matrix A diagonalisierbar? (b) Die Matrix A
High Performance Computing Blatt 7
Dr. Andreas Borchert Institut für Numerische Mathematik Prof. Dr. Stefan Funken Universität Ulm Prof. Dr. Karsten Urban Sommersemester 03 Markus Bantle, Kristina Steih High Performance Computing Blatt
2 Lineare Gleichungssysteme
2 Lineare Gleichungssysteme Wir betrachten das lineare Gleichungssystem Ax = b mit der n n-koeffizientenmatrix A und der rechten Seite b R n. Wir leiten zuerst eine Variante des Gauss-Algorithmus (LR-Zerlegung)
Mehrgitterverfahren. Bachelorarbeit. Fakultät für Mathematik Ruhr-Universität Bochum
Mehrgitterverfahren Bachelorarbeit Fakultät für Mathematik Ruhr-Universität Bochum Hrik Flaskühler Bochum, September 202 Inhaltsverzeichnis Einleitung 2 Numerische Behandlung partieller Differentialgleichungen
Prof. Steinwart Höhere Mathematik I/II Musterlösung A =
Prof. Steinwart Höhere Mathematik I/II Musterlösung 9.8.6 Aufgabe Punkte a Berechnen Sie die Eigenwerte der folgenden Matrix: A 3 b Es sei 4 A. 8 5 Bestimmen Sie P, P M, und eine Diagonalmatrix D M, so,
Kapitel 5 Nichtlineare Gleichungssysteme und Iterationen
Kapitel 5 Nichtlineare Gleichungssysteme und Iterationen Wir betrachten das System f() = 0 von n skalaren Gleichungen f i ( 1,..., n ) = 0, i = 1,..., n. Gesucht: Nullstelle von f() = 0. Es sei (0) eine
Klausurähnliche Aufgaben
Sommersemester 2007/08 Lineare Algebra Klausurähnliche Aufgaben Aufgabe 1 Seien v 1, v 2, v 3, v 4, v 5, v 6 die Vektoren in R 5 mit v 1 = (1, 2, 3, 1, 2), v 2 = (2, 4, 6, 2, 4), v 3 = ( 1, 1, 3, 0, 3),
a ij i - te Gleichung (Zeile), i = 1,2,3,..., m
I) MATRIZEN Der Start: Lineare Gleichungen y ax+ a2x2 + a3x3 y2 a2x+ a22x2 + a23x3... Koeffizienten a ij i - te Gleichung (Zeile), i,2,3,..., m j - te Variable (Spalte), j,2,3,..., n Definition m x n Matrix
Lösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik. a 0 = 0 =
Lösungsskizzen zu den Klausuraufgaben zum Kurs 4 Algorithmische Mathematik 4KSL3 6 Punkte Aufgabe. Die Folge (a n ) n N natürlicher Zahlen a n sei rekursiv definiert durch a 0 = 0, a n = a n + n falls
10 Lineare Gleichungssysteme
ChrNelius : Lineare Algebra I (WS 2004/05) 1 10 Lineare Gleichungssysteme (101) Bezeichnungen: Ein System a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 ( ) a 21 x 1 + a 22 x 2 + + a 2n x n = b 2 a m1 x 1 + a
UNABHÄNGIGER LASTEN. Vorlesung 9 BALANCIERUNG DYNAMISCHER. Graphenalgorithmen und lineare Algebra Hand in Hand
Vorlesung 9 BALANCIERUNG DYNAMISCHER UNABHÄNGIGER LASTEN 266 Lastbalancierung Motivation! Ein paralleles System besteht aus! verschiedenen Recheneinheiten,! die miteinander kommunizieren können! Warum
5. Numerische Differentiation. und Integration
5. Numerische Differentiation und Integration 1 Numerische Differentiation Problemstellung: Gegeben ist eine differenzierbare Funktion f : [a,b] R und x (a,b). Gesucht sind Näherungen für die Ableitungen