Iterative Löser: Einführung
|
|
- Claudia Luisa Fried
- vor 5 Jahren
- Abrufe
Transkript
1 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, linearer Gleichungssysteme möglich Kapitel I. (no id) 1
2 Iterative Löser: Einführung Warum sollte man über weitere Löser nachdenken? Kapitel I. (no id) 2
3 Iterative Löser: Einführung Massenmatrix Strukturiertes Gitter auf (,1) 2, Gitterweite h = 1/(n 1), n N, Knoten x ij = (hi,hj), 1 i,j n, Matrixeinträge zu x ij aus 1/36 1/9 1/36 1/9 4/9 1/ Struktur der Matrix 1/36 1/9 1/ n = 4,A R n2 n 2 Kapitel I. (no id) 3
4 Iterative Löser: Einführung Matrix wie sie bei der Simulation von partiellen Differentialgleichung in 2d auftritt ω = 2n beschreibt die Bandbreite Die Anzahl der Nicht-Nulleinträge wächst mit 9 n 2 = O(n 2 ) Anwendung von z.b. LU-Zerlegung erfordert Aufwand von O(ω 2 n 2 ) = O(n 4 ) Matrix-Vektor-Multiplikation hat Aufwand von O(n 2 ) Kapitel I. (no id) 4
5 Iterative Löser: Einführung.6.4 Zeit, bis Fehler < 1 8 LU (voll) GS CG Zeit n 2 Gut geeignet um große, gut konditionierte, dünnbesetzte Matrizen zu lösen Kapitel I. (no id) 5
6 Iterative Löser: Inhalt 1. Aufgabenstellung 2. Lineare Iterationsverfahren 3. Konvergenzaussagen 4. CG-Verfahren für symmetrische Matrizen 5. Erweiterung auf allgemeine Matrizen Kapitel I. (no id) 6
7 Lineare Iterationsverfahren Ein allgemeines konsistentes lineares Iterationsverfahren zur Lösung von Ax = b hat die Form x k+1 = Mx k +Nb mit M = (Id NA). Mit der Zerlegung A = L+D +U erhalten wir folgende Verfahren: Jacobi-Verfahren: x k+1 = D 1 (L+U)x k +D 1 b vorwärtiger Gauß Seidel: x k+1 = (D+L) 1 Ux k +(D +L) 1 b rückwärtiger Gauß Seidel: x k+1 = (D +U) 1 Lx k +(D+U) 1 b SOR Verfahren für ω (,2): (D+ωL)x k+1 = ( (1 ω)d ωu ) x k +ωb Kapitel I. (numalg24) 7
8 Jacobi und Gauß Seidel im Vergleich Ax = b A R n n, b R n, x R n, x R n A = , b = i., x = n , x = n. 1 5 n=1 Fehlernorm Jacobi Gauss Seidel Symm. GS Anzahl der Iterationen Kapitel I. (numalg26) 8
9 SOR für verschiedene Dämpfungsparameter Fehlernorm w =.2 w =.6 w = 1 w = 1.4 w = 1.8 Fehlernorm w =.8 w =.9 w = 1 w = 1.1 w = Anzahl der Iterationen Figure 1: Dämpfungsparameter im Bereich [.2, 1.8] Anzahl der Iterationen Figure 2: Dämpfungsparameter im Bereich [.8, 1.2] Kapitel I. (numalg3) 9
10 Konvergenz für SOR-Verfahren Für die Matrix M ω des SOR-Verfahrens gilt M ω = (D+ωL) 1( (1 ω)d ωu ). Konvergenz liegt vor, falls für den Spektralradius ρ(m ω ) < 1 < ω < 2 gilt. Der Spektralradius ρ(m ω ) nimmt sein Minimum für den optimalen Dämpfungsparameter 2 ω opt = 1+ 1 ρ 2 J an, wobei ρ J den Spektralradius der Iterationsmatrix M J = D 1 (L+U) des Jacobi-Verfahrens bezeichnet. Dann gilt für die Konvergenzrate Allgemein gilt ρ(m ωopt ) = 1 1 ρ 2 J ρ 2 J ρ(m ω ) = { ω 1 für ωopt ω 2, 1 ω ω2 ρ 2 J +ωρ J 1 ω ω2 ρ 2 J für ω ω opt. Kapitel I. (numalg27) 1
11 Asymptotische Konvergenzrate für SOR-Verfahren 1 Konvergenzrate ρ ρ J =.3 ρ J =.5 ρ J =.7 ρ J = Dämpfungsparameter ω Kapitel I. (numalg28) 11
12 SOR für verschiedene Dämpfungsparameter Anzahl der Iterationen Dämpfungsparameter asympt. Konvergenzraten Dämpfungsparameter Optimaler Dämpfungsparameter ist größer als Eins, ρ J =.5 w opt = ρ 2 J = /4 = Kapitel I. (numalg31) 12
13 Problem ω opt hängt von ρ J ab ρ J ist in der Regel unbekannt und teuer in der Berechnung Wie bestimmt man ω opt? Kapitel I. (numalg31) 13
14 Idee zur adaptiven Berechnung von ω opt 1. Setze ω alt = 1 und wähle einen Startvektor x. 2. Führe k 5 1 Schritte des SOR-Verfahrens mit ω alt durch. 3. Berechne eine Approximation von ρ(m ω ) mit l 1 3 ρ = l Ax k b / Ax k l b =: S. 4. Falls ρ > ω alt 1 (Wurzelast) berechne β 2 = (S +(ω alt 1)) 2 Sωalt 2, ω neu = 5. Falls ρ ω alt 1 (linearer Ast) berechne 6. Setze x = x k und gehe zu Schritt 2. ω neu = ω alt+2(1+ρ) β 2. Kapitel I. (numalg33) 14
15 Optimaler Dämpfungsparameter für Poisson Matrix Adaptive Bestimmung num exact Fehler ω ωopt opt n=3 n=6 n=9 n= Iterationen Adaptive Strategie zur numer. Bestimmung von w opt bei SOR Dämpfungsparameter num numerisches ω opt exact exaktes ω opt Dimension m=n 2 optimaler Dämpfungsparameter für n im Bereich [3, 12] Kapitel I. (numalg34) 15
16 Jacobi, Gauß-Seidel und optimales SOR im Vergleich Number of iterations opt. SOR Gauss Seidel Jacobi Number of unknowns n Anzahl d. Iterationen M Faustregel: Konvergenzraten ρ Faustregel: η := 1/(1 ρ) Faustregel: M J 2M GS ρ GS ρ 2 J ρ J 1 c J h 2 ρ osor 1 c osor h η J 2η GS η J quadratisch, η osor linear in 1/h Kapitel I. (numalg35) 16
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
MehrIII. 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
MehrIII. 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
MehrIII. Iterative Löser. III.1 Direkte Löser und ihre Nachteile. III.2 Klassische lineare Iterationsverfahren
III. Iterative Löser III.1 Direkte Löser und ihre Nachteile III.2 Klassische lineare Iterationsverfahren Typeset by FoilTEX 1 Erinnerung: Lineares Gleichungssystem bei FDM Diskretisierung einer linearen
MehrPCG Verfahren. B ist symmetrisch positiv definit. Eine Matrix-Vektor-Multiplikation mit B hat geringen Aufwand
PCG Verfahren Zur Verbesserung des Konvergenzverhaltens des CG-Verfahrens, wird in der Praxis oft ein geeigneter Vorkonditionierer konstruiert. Vorraussetzungen an einen Vorkonditionierer B sind: B ist
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
MehrNumerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang. Institut für Geometrie und Praktische Mathematik RWTH Aachen
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
MehrKAPITEL 1. Einleitung
KAPITEL 1 Einleitung Wir beschäftigen uns in dieser Vorlesung mit Verfahren aus der Numerischen linearen Algebra und insbesondere dem sogenannten Mehrgitterverfahren zur Lösung linearer Gleichungssysteme
MehrNumerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 11 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 2010 Prof. Dr. Klaus Höllig
MehrNumerische Mathematik für Ingenieure (SoSe 2013)
Numerische Mathematik für Ingenieure (SoSe 2013) PD Dr(USA) Maria Charina Auszüge aus Vorlesungsfolien von Prof Joachim Stöckler werden verwendet Für die Bereitstellung dieses Materials und der Tex-Files
MehrMusterlösung. 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
MehrA 1 x = b, A 1 R m m, m := (n 1) 2, nh = 1, T I I T I. A 1 = 1 h 2 I T. T R (n 1) (n 1) und I ist die (n 1) (n 1)-Identitätsmatrix.
KAPITEL 13. Große dünnbesetzte LGS, iterative Löser Erstes Beispielproblem: die diskretisierte Poisson-Gleichung wobei A 1 x = b, A 1 R m m, m := (n 1) 2, nh = 1, A 1 = 1 h 2 T I I T I......... I T I I
Mehr3. Lineare Gleichungssysteme
3. Lineare Gleichungssysteme 1 3.1. Problemstellung 2 3.2. Direkte Verfahren 3 3.3. Normen und Fehleranalyse 4 3.4. Iterative Verfahren 5 3.5. Konvergenz von linearen Iterationsverfahren 6 3.6. Gradienten-Verfahren
Mehr7. Iterative Lösung. linearer Gleichungssysteme
7. Iterative Lösung linearer Gleichungssysteme 1 Grundlagen (1) Zur Erinnerung: Gesucht ist die Lösung eines linearen Gleichungssystems a 0,0 x 0 +a 0,1 x 1 + a 0,n 1 x n 1 = b 0 a 1,0 x 0 +a 1,1 x 1 +
MehrBegleitmaterial zur Vorlesung Numerik linearer Gleichungssysteme
Begleitmaterial zur Vorlesung Numerik linearer Gleichungssysteme Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik 1
MehrBeispiellösung 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 =
MehrNumerisches 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.:
Mehr4 Iterative Lösung Linearer Gleichungssysteme 4.1 Fixpunktiteration und Konvergenzsätze.
4 Iterative Lösung Linearer Gleichungssysteme 4.1 Fixpunktiteration und Konvergenzsätze. Wir betrachten das lineare Gleichungssystem der Form Ax = b; (4.1.1) mit A R n n reguläre Matrix und b R n gegeben,
MehrBegleitmaterial zur Vorlesung Numerik linearer Gleichungssysteme
Begleitmaterial zur Vorlesung Numerik linearer Gleichungssysteme Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik 1
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Beispiel: Feder Masse System festes Ende Feder k 1 Masse m 1 k 2 m 2 k 3 m 3 k 4 festes Ende u 0 = 0 Federkraft y 1 Verschiebung u 1 y 2 u 2 y 3 u 3 y 4 u 4 = 0 Grundlagen der
MehrElektrischer Schaltkreis lin. Gleichungssystem
Inhalt Kapitel II: Lineare Gleichungssysteme II Lineare Gleichungssysteme II Gestaffelte Systeme II2 LU-Zerlegung II3 QR-Algorithmen Kapitel II (UebersichtKapI) Beispiel : Elektrischer Schaltkreis I R
MehrInhalt Kapitel II: Lineare Gleichungssysteme
Inhalt Kapitel II: Lineare Gleichungssysteme II Lineare Gleichungssysteme II1 Gestaffelte Systeme II2 LU-Zerlegung II3 QR-Algorithmen Kapitel II (UebersichtKapI) 1 Beispiel 1: Elektrischer Schaltkreis
MehrKapitel 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.
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
MehrKapitel 2: Lineare Gleichungssysteme. 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen
Kapitel 2: Lineare Gleichungssysteme 21 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen B(n, m) : Ω {0,,255}, n = 1,,N, m = 1,,M dig Camera Realisierung von B η ist
MehrEinführung 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
MehrEinführung 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
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 4. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 17. März 2016 Lineare Gleichungssysteme 1 Wiederholung: Normen, Jacobi-Matrix,
MehrKapitel 3 Lineare Gleichungssysteme
1. Direkte Verfahren Kapitel 3 Lineare Gleichungssysteme Grundbaustein vieler numerischer Verfahren zur Lösung von partiellen oder gewöhnlicher Differentialgleichungen und von nichtlinearen Optimierungsproblemen
Mehr38 Iterative Verfahren für lineare Gleichungssysteme
38 Iterative Verfahren für lineare Gleichungssysteme 38.1 Motivation Viele praktische Probleme führen auf sehr große lineare Gleichungssysteme, bei denen die Systemmatrix dünn besetzt ist, d. h. nur wenige
MehrInstitut für Numerische Simulation der Universität Bonn Prof. Dr. Mario Bebendorf
Institut für Numerische Simulation der Universität Bonn Prof. Dr. Mario Bebendorf Praktikum im Sommersemester 2012 Programmierpraktikum numerische Algorithmen (P2E1) (Numerische Lösung der Wärmeleitungsgleichung)
MehrKapitel 2: Lineare Gleichungssysteme. 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen
Kapitel 2: Lineare Gleichungssysteme 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen B(n, m) : Ω {0,...,255}, n = 1,...,N, m = 1,...,M. dig. Camera Realisierung
Mehr2 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)
MehrIterative 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
Mehr2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren
2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren Problem (P2): Löse Ax = b, A R n und b R. 2.1 Satz: Die folgenden Aussagen sind äquivalent: (i) Ax = b ist für jedes b eindeutig lösbar;
MehrFinite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt Übersicht Partielle Differentialgleichungen, Approximation der Lösung Finite Elemente, lineare und höhere Ansatzfunktionen Dünn
MehrFerienkurs Numerik Lösungsskizze. 1 Iterative Verfahren für lineare Gleichungssysteme
Technische Universität München SoSe 1 Zentrum Mathematik Ferienkurse Dipl.-Math. Konrad Waldherr Ferienkurs Numerik Lösungsskizze 1 Iterative Verfahren für lineare Gleichungssysteme 1. Wir erhalten folgende
MehrErweiterungen der LR-Zerlegung
Prof. Thomas Richter 6. Juli 2017 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomas.richter@ovgu.de Material zur Vorlesung Algorithmische Mathematik II am 06.07.2017 Erweiterungen
MehrNumerisches Programmieren, Übungen
Technische Universität München SoSe 3 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Jürgen Bräckle Numerisches Programmieren, Übungen Musterlösung 3. Übungsblatt:
MehrVorkonditionierer. diskrete stationäre Eulergleichungen
Übersicht Bernhard Pollul,, RWTH Templergraben 55, 52056, E-mail: pollul@igpm.rwth-aachen.de Vorkonditionierer für diskrete stationäre Eulergleichungen 1/13 1., Teilprojekt B4 2. Vorkonditionierung 3.
MehrLineares Gleichungssystem
Lineares Gleichungssystem Ein System von m linearen Gleichungen in n Unbekannten besteht aus einer Menge von algebraischen Relationen der Form n a ij x j = b i, i =,...,m, j= wobei a ij R, i m, j n, die
MehrNumerik II. Roland Pulch
Numerik II Roland Pulch Institut für Mathematik und Informatik Mathematisch-Naturwissenschaftliche Fakultät Ernst-Moritz-Arndt-Universität Greifswald Skript zu Iterativer Lösung linearer Gleichungssysteme
Mehr5.3 Iterative Lösungsverfahren für lineare Gleichungssysteme
5.3 Iterative Lösungsverfahren für lineare Gleichungssysteme Als zweite Hauptanwendung des Banachschen Fixpunktsatzes besprechen wir in diesem Kapitel die iterative Lösung linearer Gleichungssysteme. Die
MehrNumerische Behandlung von linearen Gleichungssystemen
Numerische Behandlung von linearen Gleichungssystemen Der Gauÿ'sche Algorithmus Der Gauÿ'sche Algorithmus ist schon besprochen worden. Er eignet sich zwar prinzipiell gut zur Bestimmung der Lösung eines
Mehr7. 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
MehrII. 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
MehrInvertierung von Sparse Matrizen
Kapitel 8 Invertierung von Sparse Matrizen Im letzten Kapitel haben wir gesehen, wie man Sparse-Matrizen in C++ behandelt. Hier wollen wir diskutieren, wie man die Gleichung Ax = b (8.1) für eine vorgegebene
MehrLineare 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
MehrInexakte Newton Verfahren
Kapitel 3 Inexakte Newton Verfahren 3.1 Idee inexakter Newton Verfahren Wir betrachten weiterhin das nichtlineare Gleichungssystem F (x) = mit einer zumindest stetig differenzierbaren Funktion F : R n
MehrKapitel 8. Lineare Gleichungssysteme III: iterative Verfahren
Kapitel 8. Lineare Gleichungssysteme III: iterative Verfahren Inhalt: 8.1 Fixpunkt-Iteration 8.2 Verfahren der konjugierten Gradienten 8.3 Anwendungsbeispiel Numerische Mathematik I 323 Kap. 8: Lineare
MehrBegleitmaterial zur Vorlesung Numerik I
Begleitmaterial zur Vorlesung Numerik I Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 1 / 49 Inhalte der Numerik
MehrIterative Methoden zur Lösung von linearen Gleichungssystemen
Iterative Methoden zur Lösung von linearen Gleichungssystemen (13.12.2011) Ziel Können wir wir die zeitabhängige Schrödinger-Gleichung lösen? φ(t) = e iht ψ(0) Typischerweise sind die Matrizen, die das
MehrÜbungsblatt 5 Musterlösung
MSE Mathe 4 SS Übungsblatt Musterlösung Lösung (Solution) Siehe MATLAB Codes function [x_new, it, rho] = jacobi (A, x_start, b, TOL, it_max) 3 % Set up all the quantities used during iteration 4 % Diagonal
MehrIterative 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:
MehrEinführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gausling, M.Sc. C. Hendricks, M.Sc. Sommersemester 4 Bergische Universität Wuppertal Fachbereich C Mathematik und Naturwissenschaften Angewandte Mathematik / Numerische Analysis
MehrGlättung 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
MehrFinite Elemente. Dr. S.-J. Kimmerle Institut für Mathematik und Rechneranwendung Fakultät für Luft- und Raumfahrttechnik Wintertrimester 2015
Dr. S.-J. Kimmerle Institut für Mathematik und Rechneranwendung Fakultät für Luft- und Raumfahrttechnik Wintertrimester 5 Aufgabe 8 (Speichertechniken) Finite Elemente Übung 5 a) Stellen Sie die Matrix
MehrMusterlösung Serie 3
D-MAVT FS 0 K.Nipp NUMERISCHE MATHEMATIK Musterlösung Serie 3. a) T = (D + ωl) ( ωr + ( ω)d) A=[3 ; 3 ; 3]; D=diag(diag(A)); L=tril(A)-D; R=triu(A)-D; omega_vec=0.00:0.00:.999; rho=zeros(size(omega_vec));
MehrFinite Elemente Methoden (aus der Sicht des Mathematikers)
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt Übersicht: Partielle Differentialgleichungen, Approximation der Lösung, Finite Elemente, lineare und höhere Ansatzfunktionen, Dünn
MehrAlgorithmik 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,
MehrQR-Iteration. Ax = λx Q T AQQ T x = λq T x.
Lehrstuhl für Numerische Mathemati QR-Iteration Vorüberlegung: Die Multipliation mit einer orthonormalen Matrix Q heißt Ähnlicheitstransformation. Die Eigenwerte einer Matrix A bleiben unter einer Ähnlicheitstransformation
MehrLösen der Matrizengleichung
Lösen der Matrizengleichung Oliver Deussen Lösungsverfahren K 1 letztes Kapitel: Berechnung der Formfaktoren F außerdem: B: zu berechnende Strahlung, E: gegebenes Eigenleuchten nun: Wie löst man K B =
MehrAlgorithmik 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:
MehrKonvergenz des Jacobi- und Gauß-Seidel-Verfahrens
Konvergenz des Jacobi- und Gauß-Seidel-Verfahrens Bachelor-Arbeit im -Fach Bachelorstudiengang Mathematik der Mathematisch-Naturwissenschaftlichen Fakultät der Christian-Albrechts-Universität zu Kiel vorgelegt
MehrInhaltsverzeichnis. 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
MehrKapitel 3. Iterative Verfahren für LGS. 3.1 Der Banach sche Fixpunktsatz. Definition 3.1:
Kapitel 3 Iterative Verfahren für LGS 3 Der Banach sche Fixpunktsatz Sei A R n n invertierbar und das LGS A x b gegeben Ein iteratives Verfahren besteht aus einer Berechnungsvorschrift x (j+) F ( x (j))
MehrNumerische Mathematik für Ingenieure und Physiker
Willi Törnig Peter Spellucci Numerische Mathematik für Ingenieure und Physiker Band 1: Numerische Methoden der Algebra Zweite, überarbeitete und ergänzte Auflage Mit 15 Abbildungen > Springer-Verlag Berlin
MehrEinführung 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 6 Eigenwerte
MehrInhaltsverzeichnis 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
MehrEINFÜHRUNG IN DIE NUMERISCHE MATHEMATIK II 1. Numerische Lineare Algebra. Prof. Dr. Hans Babovsky. Institut für Mathematik
EINFÜHRUNG IN DIE NUMERISCHE MATHEMATIK II 1 Numerische Lineare Algebra Prof. Dr. Hans Babovsky Institut für Mathematik Technische Universität Ilmenau 1 Version vom Sommer 2010 INHALTSVERZEICHNIS 1 Inhaltsverzeichnis
MehrAngewandte Strömungssimulation
ngewandte Strömungssimulation 8. Vorlesung Stefan Hickel Numerische Strömungsberechnung Physikalische Modellierung Mathematische Modellierung Numerische Modellierung Lösung uswertung Parameter und Kennzahlen
Mehr4.6 Berechnung von Eigenwerten
4.6 Berechnung von Eigenwerten Neben der Festlegung auf den betragsgrößten Eigenwert hat die Potenzmethode den Nachteil sehr langsamer Konvergenz, falls die Eigenwerte nicht hinreichend separiert sind.
MehrMusterlösungen zur Leistungsnachweisklausur vom Studiengang Informatik, Ingenieurinformatik, Lehramt
TU ILMENAU Institut für Mathematik Numerische Mathematik PD Dr. W. Neundorf Musterlösungen zur Leistungsnachweisklausur vom.0.006 Studiengang Informatik, Ingenieurinformatik, Lehramt 1. Lineare Algebra
MehrBegleitmaterial zur Vorlesung Numerik I
Begleitmaterial zur Vorlesung Numerik I Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 1 / 55 Studienplanung Bachelor
Mehr3 Lineare Gleichungssysteme
Lineare Gleichungssysteme Wir wissen bereits, dass ein lineares Gleichungssystem genau dann eindeutig lösbar ist, wenn die zugehörige Matrix regulär ist. In diesem Kapitel lernen wir unterschiedliche Verfahren
MehrInstitut für Geometrie und Praktische Mathematik Mathematisches Praktikum (MaPra) Wintersemester Aufgabe 4
Rheinisch-Westfälische Technische Hochschule Institut für Geometrie und Praktische Mathematik Mathematisches Praktikum (MaPra) Wintersemester 2007 Prof. Dr. Wolfgang Dahmen Dr. Karl-Heinz Brakhage Aufgabe
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2017 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Programm heute 7 Fortgeschrittene Datenstrukturen 8
Mehr4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung
4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung In vielen Anwendungen treten lineare Gleichungssysteme auf, die eine unterschiedliche Anzahl von Gleichungen und Unbekannten besitzen: Ax
Mehreps für alle x D. 4. Die Zahl 256 ist in M(2, 4, 6, 6) exakt darstellbar.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H13 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
MehrNumerische Lineare Algebra Spezielle Systeme
Numerische Lineare Algebra Spezielle Systeme Friedrich Solowjow 2. Mai 2012, Bonn 1 / 34 1 Einleitung Übersicht Definitionen 2 3 Datenzugriff Speichertechniken 2 / 34 Übersicht Definitionen Gliederung
MehrVF-3: Es seien A R n n beliebig aber regulär, b R n und gesucht sei die Lösung x R n von A x = b.
NumaMB F14 Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Bewertung: Vier Fragen richtig beantwortet
MehrEinführung 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
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2015 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm heute 7 Fortgeschrittene Datenstrukturen 8 Such-Algorithmen
MehrBeginn 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.
Mehr4. Großübung. Lösung linearer Gleichungssysteme
4. Großübung Lösung linearer Gleichungssysteme Gesucht x, x, x 3, x 4 R, sodass gilt. mit A R 4 4, x R 4, b R 4 x x + 3x 3 + x 4 = 5 6x 3x 7x x 4 = 5 4x + 4x + 5x 3 5x 4 = 3 8x + x + x 3 + x 4 = 8 3 x
MehrKlausur zu Grundlagen der Computermathematik
Prof. Dr. Klaus Höllig 14. Oktober 2010 Klausur zu Grundlagen der Computermathematik en Aufgabe 1 Geben Sie (ohne Beweis an, welche der folgenden Aussagen richtig und welche falsch sind. a Die Folge A
MehrIterative Methoden für lineare Gleichungssysteme
Iterative Methoden für lineare Gleichungssysteme Seminar, Sommersemester 2012/13 Hans Georg Bock Andreas Potschka Ruprecht-Karls-Universität Heidelberg 17. April 2013 Iterative Methoden für lineare Gleichungssysteme
MehrD-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
Mehr8. Vorlesung, 5. April Numerische Methoden I. Eigenwerte und Eigenvektoren
8. Vorlesung, 5. April 2017 170 004 Numerische Methoden I Eigenwerte und Eigenvektoren 1 Eigenwerte und Eigenvektoren Gegeben ist eine n n-matrix A. Gesucht sind ein vom Nullvektor verschiedener Vektor
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Institut für Geometrie und Praktische Mathematik Multiple-Choice-Test NumaMB F08 (30 Punkte) Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine
MehrLernfragen für Numerik für LAK Wintersemester 2009/10
Lernfragen für Numerik für LAK Wintersemester 2009/10 1. Zeige für eine hinreich glatte Funktion u(x), es gilt: u (x) = u(x + h) 2u(x) + u(x h) h 2 + O(h 2 ) 2. Gib ein explizites Beispiel von einem Abbruchsfehler
MehrVF-2: 2. Es seien x = 1 3 und y = π Bei der Berechnung von sin(x) sin(y) in M(10, 12, 99, 99) tritt. Auslöschung auf.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H11 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
MehrLineare Ausgleichsprobleme. Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte
Lineare Ausgleichsprobleme Bisher: Lösung linearer GS Ax = b, A R n,n, A regulär, b R n Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte Ax = b mit A R m,n, b R m, m n, rg(a)
MehrModellieren 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
MehrKapitel 9: Lineare Gleichungssysteme
Kapitel 9: Lineare Gleichungssysteme Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz Stefan Ruzika (KO) Kapitel 9: Lineare Gleichungssysteme 1 / 15 Gliederung 1 Grundbegriffe
MehrRheinische Friedrich-Wilhelms-Universität Bonn Mathematisch-Naturwissenschaftliche Fakultät. Diplomarbeit
Rheinische Friedrich-Wilhelms-Universität Bonn Mathematisch-Naturwissenschaftliche Fakultät Diplomarbeit Effiziente adaptive Lösung von Multilevelsystemen Ralph Thesen angefertigt am Institut für Numerische
MehrEINFÜHRUNG IN DIE NUMERISCHE MATHEMATIK III 1. Numerische Lineare Algebra. Prof. Dr. Hans Babovsky. Institut für Mathematik
EINFÜHRUNG IN DIE NUMERISCHE MATHEMATIK III 1 Numerische Lineare Algebra Prof. Dr. Hans Babovsky Institut für Mathematik Technische Universität Ilmenau 1 Version vom Herbst 2017 INHALTSVERZEICHNIS 1 Inhaltsverzeichnis
MehrNumerisches Programmieren (IN0019)
Numerisches Programmieren (IN0019) Frank R. Schmidt Winter Semester 2016/2017 10. Minimieren von Funktionen....................................................................................... 2 Gradienten-Abstieg
Mehr5 Numerische Iterationsverfahren
In diesem Kapitel besprechen wir numerische Iterationsverfahren (insbesondere Fixpunktverfahren) als eine weitere Lösungsmethode zur Lösung von linearen Gleichungssystemen (Kapitel 4) sowie zur Lösung
Mehr