Optimering av dosplanering. Crister Ceberg
|
|
- Mikael Berglund
- för 8 år sedan
- Visningar:
Transkript
1 Optimering av dosplanering Crister Ceberg
2 Optimering av dosplanering Introduktion Dosplanering Matematisk formulering Optimeringsvariabeln Målfunktionen Begränsningar Lösningsmetoder Realisering Optimering av multipla kriterier
3 Introduktion Historia I Lat. optimum = det ultimata idealet Studerats sedan antiken (av bla Arkimedes, Euklides, Heron) Ett klassiskt problem är hur man designar ett kärl med så stor volym som möjligt utav en plåt med begränsad yta Uppsving under analysens utveckling (av bla Lagrange, Euler, Bernoulli, Weierstrass)
4 Introduktion Historia II Moderna metoder togs fram under (och efter) 2:a världskriget (av bla Dantzig, Tucker) Behovet var att kontrollera komplea system och hushålla med begränsade resurser Optimeringsproblem faller sedan dess under operations research, och lösningsmetoderna benämns decision program Idag nödvändigt för verksamheter som konkurrerar i en global ekonomi
5 Introduktion Verklighetsanknytning En optimeringsmodell bygger på ett verkligt decision problem Metoden för att lösa ett optimeringsproblem är starkt beroende av det specifika problemet Det gäller att förstå den reella bakgrunden
6 Introduktion I kliniken Patienttryck kräver optimering av behandlingstider Ekonomin kräver optimering av personalens arbete Bästa behandling av patienten kräver Optimering av teknikval Optimering av utrustning Optimering av dosplan
7 Introduktion Matematisk modell Därefter formuleras en lösbar, vanligtvis förenklad och begränsad, matematisk modell ( mathematical programming ) Det finns i regel ett motsatsförhållande mellan lösbarhet och realism Lösningen kräver ofta vissa modellparametrar, vilka kan vara behäftade med osäkerheter
8 Introduktion Återkoppling Resultatet (om det finns en lösning) måste tolkas och utvärderas, te applicerbarhet, stabilitet Det är viktigt att resultatet är meningsfullt i den verklighet där det ursprungliga problemet uppstod Lika mycket konst som vetenskap
9 Introduktion Reality Communication Simplification Quantification Limitation Modification Evaluation Interpretation Optimization model Algorithms Data Results N Andréassson et al.: An Introduction to Continuous Optimization
10 Dosplanering Dosplanering är ett inverst problem Utifrån ordinationen bestäms bestrålningsgeometrin Konventionellt ett manuellt, iterativt arbete ( trial&error ) Pga bestrålningsgeometrins begränsningar kan man inte uppfylla ordinationen eakt
11 Dosplanering Strävan efter ökad konformitet Bättre dosfördelning => bättre resultat 1976 beskrev Bjärngard och Kijewski en datorstyrd MLC för förbättrad dosfördelning Idag är IMRT standard
12 Dosplanering IMRT modulerar infallande fotonfluens Radiological Sciences Dept., University of California
13 Dosplanering Nya avancerade dynamiska tekniker Elekta TomoTherapy
14 Dosplanering Optimeringsalgoritmer Hur bestämmer man den infallande fotonfluensen? Komplea bestrålningsgeometrier kan inte hanteras manuellt, utan kräver avancerade optimeringsalgoritmer 1988 beskrev Brahme dosplanering som ett generellt optimeringsproblem; invers dosplanering
15 Matematisk formulering Matematisk formulering av optimeringsproblemet Optimeringsvariabel (decision varable): Målfunktion (objective function): Begränsningar (constraints): min f ( ) fi ( ), i 1,..., m f : f i n n
16 Matematisk formulering Optimeringsproblemets domän Definitionsmängden för optimeringsproblemet kallas för dess domän, D: D m i dom f i En punkt D är möjlig (feasible) om den uppfyller begränsningarna f i Problemet är möjligt om det finns minst en möjlig punkt; annars omöjligt
17 Matematisk formulering Optimum Det optimala värdet (minvärdet) definieras som: p inf f( ) fi ( ), i 1,..., m * är en optimal punkt, om * är möjlig och om f (*)=p* Om det finns minst en optimal punkt är problemet lösbart f () *
18 Matematisk formulering Lokalt optimum En punkt är ett lokalt optimum om det finns ett R> så att: f ) inf f ( z) fi( z), i 1,..., m, z ( R Dvs att funktionsvärdet för den möjliga punkten är mindre än för alla andra möjliga punkter inom avståndet R> från f () 2R
19 Optimeringsvariabeln Optimeringsvariabeln =[ 1, 2,..., n ] är en vektor av viktfaktorer (motsvarande en fluensvariation) Alla tänkbara fält delas in i sk beamlets Varje beamlet är representerad av ett element i
20 Optimeringsvariabeln Dosen till voel i beräknas enligt: d i =a i = j (a i,j j ) a i =[a i,1,a i,2,...,a i,n ] är en vektor vars element ger dosbidraget till voel i från respektive beamlet beamlets =[ 1, 2,..., n ] voel i dos-per-beamlet, a i,j, beräknas i förväg (analytiskt eller med MC)
21 Optimeringsvariabeln Matrisen A=[a 1,a 2,... a n ] blir förstås jättestor De flesta element i a i är emellertid i regel noll (eller nära noll) => man kan använda sparse matrices : 8,7 7,8 7,7 6,8 6,2 5,3 5,2 4,3 4,2 3,4 3,3 2,3 8,7 7,8 7,7 6,8 6,2 5,3 5,2 4,3 4,2 3,4 3,3 2,3, , a a a a a a a a a a a a S S S a a a a a a a a a a a a A col row
22 Målfunktionen Målfunktionen f mäter hur bra vi uppfyller den ordinerade dosen D R till patienten; minst när behandlingsordinationen uppfylls ökande i annat fall (sk penalty )
23 Målfunktionen Att hitta en lösning på optimeringsproblemet = att hitta minsta värdet på målfunktionen Varierande kompleitet
24 Målfunktionen Kvadratisk målfunktion Har minimum då given dos är lika med ordinationen Ger penalty för både högre och lägre doser f () f i d i D R 2 D R d i
25 Målfunktionen Modifierad målfunktion Heaviside funktionen H(t)= då t< H(t)=1 då t> Ger penalty för doser lägre än ordination (mindosmål) f () f 2 d D HD d i i R R i D R d i
26 Målfunktionen DVH-analys Dose-volume objective, DVO, använder samma formulering, men tillåter att en viss liten volym, V UD, underdoseras, mindre än D R (min-dvo-mål) Vol / % 1-V UD f 2 d D HD d i i R R i D / % D R
27 Målfunktionen Modifierad målfunktion för riskorgan Heaviside funktionen H(t)= då t< H(t)=1 då t> Ger penalty för doser högre än ordination (madosmål) f () f 2 d D Hd D i i OAR i OAR D OAR d i
28 Målfunktionen DVH-analys för riskorgan Dose-volume objective, DVO, använder samma formulering, men tillåter att en viss volym, V OAR,tol, erhåller dos över D OAR (ma-dvo-mål) Vol / % f 2 d D Hd D i i OAR i OAR V OAR,tol D OAR D / %
29 Målfunktionen Radiobiologiska målfunktioner f () TCP Medeldos, EUD NTCP 1 N d i i p 1 p D R d i
30 Målfunktionen Om målfunktionen är konve finns det endast ett globalt minimum, annars kan det finnas multipla lokala minima (eempel i 1D) f () f () f (*)=p* Multipla min Konve funktion Icke-konve funktion
31 Målfunktionen När är en funktion konve? En funktion är konve om en linje mellan två punkter på kurvan ligger över kurvan, dvs: , dom f, 1: f ( 1 ) f ( ) 1 f ( ) f () f () (1) (2) (2) f (*)=p* (1) Multipla min Konve funktion Icke-konve funktion
32 Målfunktionen När är en funktion konve? Första ordningens villkor: f ()f ( () )+f ( () )(- () ) Andra ordningens villkor: 2 f () f () f ()+f ( () )(- () ) ()
33 Målfunktionen Konve och differentierbar Om f är konve och differentierbar har vi det kända villkoret för optimum: f * Observera att detta är ett ekvationssystem med n ekvationer, eftersom R n
34 Målfunktionen Ett enkelt eempel med kvadratisk målfunktion Antag att vi har målfunktionen f =(d i -D R ) 2 Vi har då att (kom ihåg att d i =a i ): f a i i D R vars min hittas genom att lösa det linjära ekvationssystemet: 2 a D a f i i R i 2
35 Målfunktionen Sammansatt målfunktion Normalt sätts flera målfunktioner, f,j, viktade med en faktor w j, samman till en komposit målfunktion: f w j f, j j Man kan också ha en voelspecifik viktfaktor, v i Te för att ta hänsyn till att olika volymer är olika stora Eller för att förstärka penalty för vissa svåra områden (te i viss del av target eller hot spot)
36 Begränsningar Begränsningar f i, 1im Det kan också finnas vissa ramar, inom vilka man måste hålla sig för att resultatet skall vara användbart, te: Dos till ett riskorgan måste vara mindre än en toleransdos Beamlet-viktfaktorerna måste vara positiva Dessa begränsningar formuleras i minimeringsproblemet som f i (), te kravet på riskorganet ovan: f OAR ()=a i -D tol kravet om positiva viktfaktorer: f beamlet ()=-
37 Begränsningar Om begränsningarna utgör en konve mängd har en konve funktion ett globalt minimum, annars kan det finnas multipla lokala minima (eempel i 1D) f () f () Multipla min f (*)=p* konve mängd icke-konve mängd
38 Begränsningar När är en mängd konve? En mängd C är konve om en linje mellan två punkter i C också ligger i C (eempel i 2D): C 2,, 1: 1 C 2 2 (2) (1) (1) (2) Konve mängd 1 Icke-konve mängd 1
39 Begränsningar Eempel med linjär begränsning En linjär begränsning (likhet), f 1 ()=, motsvarar ett hyperplan (eempel i 2D) 2 a () f a a T T 1 1
40 Begränsningar Eempel med linjär begränsning En linjär begränsning (olikhet), f 1 (), motsvarar därmed en halvrymd 2 a () f T T 1 a a 1
41 Begränsningar Flera linjära begränsningar, f i (), bildar således en polyeder, vilket är en konve mängd 2 f 4 () (2) f 3 () (1) f 2 () f 1 () 1
42 Begränsningar DVO-begränsningar motsvarar en union av flera polyedra och kan därmed resultera i multipla min 2 2 Konve mängd 1 Icke-konve mängd 1
43 Begränsningar Hur skall man då se till att begränsningar uppfylls? Log-barrier penalty f () tilldelas ett mycket högt värde för som ligger utanför begränsningarna Lagrange-metoden Målfunktionen och begräsningarna kombineras till en sammansatt funktion som minimeras
44 Begränsningar Log-barrier penalty I C är en så kallad indikatorfunktion för den konvea mängden CR n : I C () I C ( ) C C konve mängd
45 Begränsningar Att minimera f med dom fr n inom C är då detsamma som att minimera f +I C över hela R n (eempel i 1D) f () f () f (*)=p* f (*)=p* konve mängd hela n
46 Begränsningar Log-barrier penalty Indikatorfunktionen är inte differentierbar, och är därför inte lämplig för optimeringsproblem Istället kan man använda en logaritmisk penalty funktion; en barriär I C () hela n
47 Begränsningar Lagrange-metoden Bilden visar ett 2D-eempel med två isonivåer av f ( 1, 2 ), d 2 >d 1 Vi tittar först på fallet utan begränsningar Vårt villkor för optimum är då som tidigare: 2 f * f ( 1, 2 )=d 1 f ( 1, 2 )=d 2 1
48 Begränsningar Lagrange-metoden Låt oss nu säga att det finns en begränsning, som säger att det min vi söker måste ligga på den gröna kurvan, där f 1 ( 1, 2 )= Min inträffar då istället där gradienterna är parallella: f 1 ( 1, 2 )= f f 1 2 * f ( 1, 2 )=d 1 f ( 1, 2 )=d 2 1
49 Begränsningar Lagrange-metoden Detta kan formuleras kompakt i en ekvation mha den sk Lagrange-funktionen (där är lagrange-multipliers): Ekvationerna för gradient-kriteriet och alla constraints följer då genom att sätta derivatan av L till noll: m i i i f f L 1, m i f f f L i m i i i 1,...,,, 1,
50 Begränsningar Ett enkelt eempel med en begränsning (likhet) 2 2 / 2, 2 /, 2 2 / 2, 2 /, Två punkter: ekvationerna : Lagrange 1,, f f L L L
51 Begränsningar Olikhets-begränsningar Lagrange-funktionen kan användas för olikhetsbegränsningar på samma sätt, genom att om f i = skall i (active constraint) om f i < skall i = (inactive constraint) Detta kan skrivas kompakt som i f i = (complementary slackness) Dessa villkor kallas tillsammans för the Karush-Kuhn-Tucker (KKT) conditions 2 f 1 ( 1, 2 )= f ( 1, 2 )=d 1 f ( 1, 2 )=d 2 1
52 Begränsningar Nytt optimeringsproblem Vi söker således istället minimum av L(,), som nu innehåller både mål och begränsningar Det betyder att begränsningarna kommer att uppfyllas efter hand som iterationen konvergerar
53 Lösningsmetoder Två huvudmetoder Stokastiska metoder; har ett slumpmässigt inslag för att undvika att fastna i lokala minima Deterministiska metoder; bygger på gradient-baserad sökning
54 Lösningsmetoder Stokastiska metoder Simulated annealing (från Kirkpatrick 1983) En initial dosplan genereras Små slumpmässiga variationer introduceras Resultatet utvärderas map optimeringsmålen Den nya planen accepteras med en viss sannolikhet även om den är sämre Sannolikheten för acceptans avtar med antalet iterationer Genetic algorithm (från Holland and DeJong 1975) En initial population av dosplaner genereras Individerna ( kromosomer ) utvärderas map optimeringsmålen Föräldrar väljs ut med en sannolikhet som står i proportion till kvaliteten En ny avkomma beräknas Detta itereras till konvergens
55 Lösningsmetoder Deterministiska metoder Gradient-baserad sökning Icke-linjära problem (NLP) löses i allmänhet genom att konverteras till kvadratiska, approimativt problem (QP) Kvadratisk målfunktion Linjära begränsningar Detta görs i en iterativ process, där approimationen justeras i varje steg, sk Sequential Quadratic Programming (SQP)
56 Lösningsmetoder Sequential Quadratic Programming (SQP) NLP löses genom en sekvens av approimativa QP Från PhD avhandling av R.B. Wilson 1963 State-of-the art Används av RaySearch, som har samarbete med ledande tillverkare; Philips (Pinnacle), Nucletron (MasterPlan), Varian (Eclipse) och TomoTherapy
57 Iterativ algoritm Initialvärde Funktionsevaluering Beräkning av sökriktning Beräkning av steglängd Beräkning av nytt -värde Stoppingcriteria Konvergens
58 Iterativ algoritm
59 Iterativ algoritm Initialvärde Algoritmen utgår från ett startvärde; () D Startvärdet kan vara viktigt Eftersom det kan finnas lokala minima, kan olika startvärde ge olika resultat
60 Iterativ algoritm Funktionsevaluering Vi kräver av en iteration att f ( (k+1) ) < f ( (k) ) k=,1,... (iterationsnummer) Nytt -värde: (k+1) = (k) + t (k) (k) (k) är sökriktning t (k) > är steglängd
61 Iterativ algoritm Sökriktning Vid varje iteration beräknas en sökriktning; (k) Kan bestämmas av gradienten; (k) = -f ( (k) ) SQP använder dock en kvadratisk approimation (Newton-metoden)
62 Iterativ algoritm Newton-metoden Andra ordningens Taylor-approimation ger: f k k v f k T 1 T 2 k f v v f 2 v Denna minimeras då: k k 1 k f 2 v f f () ( (k),f( (k) ) ( (k+1),f( (k+1) ) (k)
63 Iterativ algoritm Kvasi-Newton Om inte f ( (k) ) och 2 f ( (k) ) är kända, kan man behöva beräkna dessa numeriskt mha f ( (k) ) Antalet funktionsevalueringar är ett viktigt effektivitetsmått på en optimeringsalgoritm; ju färre desto snabbare och bättre
64 Iterativ algoritm Steglängd Därefter beräknas steglängd; t (k) t (k) väljes så att f ( (k) +t (k) (k) ) minimeras Två möjligheter Om t (k) =1 inte överträder begränsningarna har vi en lösning till QP-problemet I annat fall bestäms t (k) av närmaste begränsning, f i ( (k) +t (k) (k) )=, dvs i det lineäriserade fallet: f i ( (k) )+f i ( (k) )t (k) (k) =
65 Iterativ algoritm Om t (k) =1 inte överträder begränsningarna har vi en lösning till QP-problemet f 1 ( 1, 2 )= f 2 ( 1, 2 )= (k) (k) (k+1) f 3 ( 1, 2 )= f ( 1, 2 )=d 1 f 4 ( 1, 2 )= f ( 1, 2 )=d 2 1
66 Iterativ algoritm I annat fall bestäms t (k) av lösningen till de linjära begränsningarna f i ( (k) )+f i ( (k) )t (k) (k) = f 1 ( 1, 2 )= f 2 ( 1, 2 )= (k) (k+1) t (k) (k) f 3 ( 1, 2 )= f ( 1, 2 )=d 1 f 4 ( 1, 2 )= f ( 1, 2 )=d 2 1
67 Iterativ algoritm Nytt -värde Ett nytt -värde beräknas utifrån sökriktning och steglängd; (k+1) = (k) +t (k) (k)
68 Iterativ algoritm Iterera tills stopp-kriteriet är uppfyllt Konvergens (skillnad mellan 2 iterationer) Absolut eller relativt Ma antal iterationer Diff mellan 2 iterationer Ma antal iterationer
69 Realisering Realisering Aperturbaserad optimering (DAO) Kompensatorer MLC-segmentering Statiska segment (step and shoot) Dynamisk teknik (dmlc)
70 Realisering Konvertering av optimerad fluens till MLC-segment/rörelsemönster Segementeringsalgoritm Måste ta hänsyn till vissa begränsningar Leaf width Over-travel Interdigitation
71 Realisering MLC-segmentering Efter ca 25-5 iterationer har normalt de stora dragen hos fluensmatrisen definierats Vid fortsatta iterationer sker finjustering, vilket innebär inslag av högre frekvenser i fluensmatrisen Carlsson & Forsgren, Med. Phys. 33:225 (26)
72 Realisering MLC-segmentering Högre frekvenser innebär generellt större problem för segmenteringsalgoritmen För många iterationer kan därför resultera i en sämre plan Efter optimering Efter segmentering Carlsson & Forsgren, Med. Phys. 33:225 (26)
73 Realisering Regularisering Det är därför viktigt att redan under optimeringsalgoritmen se till att minska effekterna av detta Det finns olika metoder Rejection; förkastar orimliga lösningar under iterationen Variational; etra term med penalty för stor spridning Filtering; filtrerar bort höga frekvenser under eller efter optimeringen Iterative; avbryter iterationerna innan höga frekvenser uppstår
74 Realisering Maskin-parameter-optimering Ännu bättre är det att optimera MLC-inställningarna direkt, dvs att vektorn motsvarar maskinens sk control points RaySearch s algoritm gör detta (sk machineparameter optimization) Detta är lite mer krävande, och behöver ett bra initialvärde (), vilket tas fram genom en kort föroptimering
75 Optimering av multipla kriterier Iterativ process återstår När IMRT kom trodde man att invers dosplanering skulle eliminera behovet av trial & error (Brahme 1988) Optimeringsalgoritmen tar fram en plan (en -vektor), som är optimal med hänsyn till mål, begränsningar och hur de är sammanviktade f ( ) wj f, j( ) j
76 Optimering av multipla kriterier Iterativ process återstår Det är svårt att förutse hur sammanviktningen påverkar resultatet Mål, begränsningar och ffa viktfaktorerna måste därför i regel justeras iterativt för att uppnå ett kliniskt acceptabelt resultat f ( ) wj f, j( ) j
77 Optimering av multipla kriterier Pareto-konceptet En dosplan är Pareto optimal om: Går ej att förbättra på ett sätt utan att försämra på ett annat. Ofta finns ett set av optimala planer Bildar en Pareto front
78 Optimering av multipla kriterier Pareto-konceptet Ett antal optimerade planer visas i grafen Samma mål och kriterier har använts, men med olika sammanviktning Pareto-fronten kan inte överträffas (man kan inte både öka TCP och minska NTCP) R. Olsson et al.
79 Optimering av multipla kriterier Jämförelse mellan olika algoritmer Olika system har jämförts i litteraturen Resultaten är ganska likvärdiga Vissa skillnader har rapporterats, te: Biologisk optimering ger mer inhomogen targetdos Svårt att genomföra systematiskt Samma kriterier vid optimering och utvärdering Pareto-konceptet kan användas för rättvis jämförelse
80 Optimering av multipla kriterier Jämförelse mellan olika algoritmer Optimal fluens utan segmentering S&S-segmentering dmlc R. Olsson et al. ESTRO 28
81 Optimering av multipla kriterier Jämförelse mellan olika IMRT & Tomoterapi H. Benedek et al. 29
1 Ickelinjär optimering under bivillkor
Krister Svanberg, maj 2012 1 Ickelinjär optimering under bivillkor Hittills har vi behandlat optimeringsproblem där alla variabler x j kunnat röra sig fritt, oberoende av varann, och anta hur stora eller
TNK049 Optimeringslära
TNK049 Optimeringslära Clas Rydergren, ITN Föreläsning 9 Icke-linjär optimering Konveitet Metoder ör problem utan bivillkor Optimalitetsvillkor ör icke-linjära problem Icke-linjär programmering Non-linear
Optimalitetsvillkor. Optimum? Matematisk notation. Optimum? Definition. Definition
Optimum? När man har formulerat sin optimeringsmodell vill man lösa den Dvs finna en optimal lösning, x, till modellen Nästan alltid: Sökmetoder: Stå i en punkt, gå till en annan (bättre Upprepa, tills
Optimering av strålterapi
Optimering av strålterapi Anders Forsgren Optimeringslära och systemteori Institutionen för matematik KTH Presentation simuleringsteknik 3 oktober 2013 Optimering av strålterapi Gememensamt forskningsprojekt
TNSL05 Optimering, Modellering och Planering. Föreläsning 6
TNSL05 Optimering, Modellering och Planering Föreläsning 6 Agenda Kursens status Tolkning av utdata Intro lösningsmetoder Linjära optimeringsproblem (LP) på standardform Algebraisk formulering av LP Konveitet
1. Vad är optimering?
. Vad är optimering? Man vill hitta ett optimum, när något är bäst, men att definiera vad som är bäst är inte alltid så självklart. För att kunna jämföra olika fall samt avgöra vad som är bäst måste man
När det gäller en motor kanske man vill maximera verkningsgraden för att hålla nere bränslekostnaden men inte till vilket pris som helst.
Vad är optimering? Man vill hitta ett optimum, när något är bäst. Men att definiera vad som är bäst är inte alltid så självklart. När det gäller en motor kanske man vill maximera verkningsgraden för att
Optimeringslara = matematik som syftar till att analysera och. Optimeringslara ar en gren av den tillampade matematiken.
Optimal = basta mojliga. Optimeringslara = matematik som syftar till att analysera och nna det basta mojliga. Anvands oftast till att nna ett basta handlingsalternativ i tekniska och ekonomiska beslutsproblem.
Numeriska metoder, grundkurs II. Dagens program. Gyllenesnittminimering, exempel Gyllenesnittetminimering. Övningsgrupp 1
Numeriska metoder, grundkurs II Övning 5 för I Dagens program Övningsgrupp 1 Johannes Hjorth hjorth@nada.kth.se Rum :006, Roslagstullsbacken 5 08-790 69 00 Kurshemsida: http://www.csc.kth.se/utbildning/kth/kurser/d0/numi07
När det gäller en motor kanske man vill maximera verkningsgraden för att hålla nere bränslekostnaden men inte till vilket pris som helst.
Vad är optimering? Man vill hitta ett optimum när något är bäst. Men att definiera vad som är bäst är inte alltid så självklart. När det gäller en motor kanske man vill maximera verkningsgraden för att
Extrempunkt. Polyeder
Optimum? När man har formulerat sin optimeringsmodell vill man lösa den. Dvs. finna en optimal lösning, x, till modellen. Nästan alltid: Sökmetoder: Stå i en punkt, gå till en annan bättre. Upprepa, tills
Lösningar till SF1852 Optimeringslära för E, 16/1 08
Lösningar till SF8 Optimeringslära för E, 6/ 8 Uppgift (a) Problemet är ett transportproblem, ett specialfall av minkostnadsflödesproblem Nätverket består av 7 st noder A,B,C,P,Q,R,S, alternativt kallade,,,7,
Lösningsförslag till tentamen i SF1861 Optimeringslära för T. Torsdag 28 maj 2010 kl
Lösningsförslag till tentamen i SF86 Optimeringslära för T. Torsdag 28 maj 2 kl. 4. 9. Examinator: Per Enqvist, tel. 79 62 98. (a) Inför variablerna x = (x sr, x sm, x sp, x sa, x sd, x gr, x gm, x gp,
MICROECONOMICS Mid Sweden University, Sundsvall (Lecture 2) Peter Lohmander &
MICROECONOMICS 2018 Mid Sweden University, Sundsvall (Lecture 2) Peter Lohmander www.lohmander.com & Peter@Lohmander.com NYTT MÖTE: Diskutera Ert förslag till lämpligt problem med kursledaren (Peter Lohmander)
LÖSNINGSFÖRSLAG TILL TENTAMEN 2 SF1664
LÖSNINGSFÖRSLAG TILL TENTAMEN SF66 Tillämpad envariabelanalys med numeriska metoder för CFATE den januari 0 kl 09.00-.00. Hur många gånger antar funktionen f) = ) värdet när varierar i intervallet 9? LÖSNING:
Icke-linjära ekvationer
stefan@it.uu.se Eempel f ( ) = e + = 5 3 f ( ) = + + 5= f (, y) = cos( ) sin ( ) + y = Kan endast i undantagsfall lösas eakt Kan sakna lösning, ha en lösning, ett visst antal lösningar eller oändligt många
Lösningar till SF1861/SF1851 Optimeringslära, 24/5 2013
Lösningar till SF86/SF85 Optimeringslära, 4/5 03 Uppgift (a) Inför de 3 variablerna x ij = kvantitet (i sorten ton) som fabrik nr i åläggs att tillverka av produkt nr j, samt t = tiden (i sorten timmar)
Tentamen i Beräkningsvetenskap I/KF, 5.0 hp,
Uppsala universitet Institutionen för informationsteknologi Teknisk databehandling Tentamen i Beräkningsvetenskap I/KF, 5. hp, 215-3-17 Skrivtid: 14 17 (OBS! Tre timmars skrivtid!) Hjälpmedel: Bifogat
x 2 5x + 4 2x 3 + 3x 2 + 4x + 5. d. lim 2. Kan funktionen f definieras i punkten x = 1 så att f blir kontinuerlig i denna punkt? a.
. Beräkna följande gränsvärden: a. lim 2 5 + 6 2 2. b. lim 2 5 + 4 3 + 2 4 2. c. lim. d. lim 2 3 + 3 2 + 4 + 5 2 + + 3 + 2 2 + 3 + 4. 2. Kan funktionen f definieras i punkten = så att f blir kontinuerlig
Föreläsning 7: Kvadratisk optimering. 4. Kvadratisk optimering under linjära bivillkor
Föreläsning 7: Kvadratisk optimering 1. Kvadratisk optimering utan bivillkor 2. Positivt definita och semidefinita matriser 3. LDL T faktorisering 4. Kvadratisk optimering under linjära bivillkor 5. Minsta
Teorifrågor. 6. Beräkna konditionstalet för en diagonalmatris med diagonalelementen 2/k, k = 1,2,...,20.
Teorifrågor Störningsanalys 1. Värdet på x är uppmätt till 0.956 med ett absolutfel på högst 0.0005. Ge en övre gräns för absolutfelet i y = exp(x) + x 2. Motivera svaret. 2. Ekvationen log(x) x/50 = 0
Block 5: Ickelineära. ekvationer? Läroboken. Löpsedel: Icke-lineära. ekvationer. Vad visade laborationen? Vad visade laborationen?
Block 5: Ickelineära ekvationer Löpsedel: Icke-lineära ekvationer Varför är det svårt att lösa ickelineära ekvationer? Iterativa metoder Bisektion/intervallhalvering Newton-Raphsons metod Noggrannhet/stoppvillkor
Olinjär optimering med bivillkor: KKT min f (x) då g i (x) 0 för alla i
Olinjär optimering med bivillkor min då f (x) g i (x) 0 för alla i Specialfall: Konvext problem. Linjära bivillkor: Ax b. Linjära likhetsbivillkor: Ax = b. Inga bivillkor: Hanterat tidigare. Metodprinciper:
Tentamen del 1 SF1511, , kl , Numeriska metoder och grundläggande programmering
KTH Matematik Tentamen del SF5, 28-3-6, kl 8.-., Numeriska metoder och grundläggande programmering Namn:... Personnummer:... Program och årskurs:... Bonuspoäng. Ange dina bonuspoäng från kursomgången HT7-VT8
Institutionen för Matematik TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F1, TMA DAG: Fredag 30 augusti 2002 TID:
Institutionen för Matematik Göteborg TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F, TMA67 22-8-3 DAG: Fredag 3 augusti 22 TID: 8.45-2.45 SAL: V Ansvarig: Ivar Gustafsson, tel: 772 94 (ankn. 94) Förfrågningar:
--x T Kx. Ka = f. K( a a i. = f f i. r i. = a a i. Ke i. a i 1. p i. Ka i. p i Kai α i
CHALMERS FinitElementmetod M3 illämpad mekanik Föreläsning 18, 15/1 014 91. Lösningen till ekvationssystemet Gradient och konjugerad gradientmetod. a f (1) minimerar den kvadratiska funktionen Π( x) 1
1 Konvexa optimeringsproblem grundläggande egenskaper
Krister Svanberg, april 2012 1 Konvexa optimeringsproblem grundläggande egenskaper Ett optimeringsproblem är i viss mening godartat om det tillåtna området är en konvex mängd och den målfunktion som ska
Lösningar till tentan i SF1861 Optimeringslära, 1 juni 2017
Lösningar till tentan i SF86 Optimeringslära, juni 7 Lösningarna är på svenska, utom lösningen av (a som är på engelska (a The considered network is illustrated in FIGURE below, where the supply at the
Tentamensinstruktioner. När Du löser uppgifterna
Matematiska institutionen Optimeringslära TENTAMEN TAOP14/TEN 1 OPTIMERINGSLÄRA GRUNDKURS för I, Ii och TB Datum: 24 augusti 2009 Tid: 8.00-13.00 Hjälpmedel: Lundgren m fl: Optimeringslära och/eller Lundgren
Omtentamen i DV & TDV
Umeå Universitet Institutionen för Datavetenskap Gunilla Wikström (e-post wikstrom) Omtentamen i Teknisk-Vetenskapliga Beräkningar för DV & TDV Tentamensdatum: 2006-06-05 Skrivtid: 9-15 Hjälpmedel: inga
Konvergens för iterativa metoder
Konvergens för iterativa metoder 1 Terminologi Iterativa metoder används för att lösa olinjära (och ibland linjära) ekvationssystem numeriskt. De utgår från en startgissning x 0 och ger sedan en följd
x 2 5x + 4 2x 3 + 3x 2 + 4x + 5. d. lim 2. Kan funktionen f definieras i punkten x = 1 så att f blir kontinuerlig i denna punkt? a.
. Beräkna följande gränsvärden: a. lim 2 5 + 6 2 2. b. lim 2 5 + 4 3 + 2 4 2. c. lim 0. d. lim 2 3 + 3 2 + 4 + 5 2 + + 3 + 2 2 + 3 + 4. 2. Kan funktionen f definieras i punkten = så att f blir kontinuerlig
En algoritm för linjära optimeringsproblem
D-UPPSATS 2005:04 En algoritm för linjära optimeringsproblem PER BERGSTRÖM Luleå tekniska universitet Institutionen för Matematik TEKNISK MAGISTEREXAMEN Matematik Vetenskaplig handledare: Hans Johansson
Teknisk Beräkningsvetenskap I Tema 3: Styvhetsmodellering av mjuk mark med icke-linjära ekvationer
Teknisk Beräkningsvetenskap I Tema 3: Styvhetsmodellering av mjuk mark med icke-linjära ekvationer Eddie Wadbro 18 november, 2015 Eddie Wadbro, Tema 3: Icke-linjära ekvationer, 18 november, 2015 (1 : 37)
Prov 1 2. Ellips 12 Numeriska och algebraiska metoder lösningar till övningsproven uppdaterad 20.5.2010. a) i) Nollställen för polynomet 2x 2 3x 1:
Ellips Numeriska och algebraiska metoder lösningar till övningsproven uppdaterad.. Prov a) i) ii) iii) =,, = st 9,876 =,9876,99 = 9,9,66,66 =,7 =,7 Anmärkning. Nollor i början av decimaltal har ingen betydelse
Matematisk analys för ingenjörer Matlabövning 2 Numerisk ekvationslösning och integration
10 februari 2017 Matematisk analys för ingenjörer Matlabövning 2 Numerisk ekvationslösning och integration Syfte med övningen: Introduktion till ett par numeriska metoder för lösning av ekvationer respektive
Tentamen i Teknisk-Vetenskapliga Beräkningar
Umeå Universitet Institutionen för Datavetenskap Gunilla Wikström Tentamen i Teknisk-Vetenskapliga Beräkningar Tentamensdatum: 005-03- Skrivtid: 9-5 Hjälpmedel: inga Om problembeskrivningen i något fall
Tentamen, del 2 Lösningar DN1240 Numeriska metoder gk II F och CL
Tentamen, del Lösningar DN140 Numeriska metoder gk II F och CL Lördag 17 december 011 kl 9 1 DEL : Inga hjälpmedel Rättas ast om del 1 är godkänd Betygsgränser inkl bonuspoäng: 10p D, 0p C, 30p B, 40p
x 2 5x + 4 2x 3 + 3x 2 + 4x + 5. d. lim 2. Kan funktionen f definieras i punkten x = 1 så att f blir kontinuerlig i denna punkt? a.
. Beräkna följande gränsvärden: a. lim 2 5 + 6 2 2. b. lim 2 5 + 4 3 + 2 4 2. c. lim. d. lim 2 3 + 3 2 + 4 + 5 2 + + 3 + 2 2 + 3 + 4. 2. Kan funktionen f definieras i punkten = så att f blir kontinuerlig
Tentamen i Beräkningsvetenskap I och KF, 5.0 hp,
Uppsala universitet Institutionen för informationsteknologi Avdelningen för beräkningsvetenskap Tentamen i Beräkningsvetenskap I och KF, 5.0 hp, 017-0-14 Skrivtid: 14 00 17 00 (OBS! Tre timmars skrivtid!)
Sammanfattning (Nummedelen)
DN11 Numeriska metoder och grundläggande programmering Sammanfattning (Nummedelen Icke-linjära ekvationer Ex: y=x 0.5 Lösningsmetoder: Skriv på polynomform och använd roots(coeffs Fixpunkt x i+1 =G(x i,
Strukturoptimering baserad på metamodeller
Solid Mechanics Strukturoptimering baserad på metamodeller Larsgunnar Nilsson CEO Engineering Research Nordic AB Linköping larsgunnar.nilsson@erab.se Professor Div Solid Mechanics Linköping University
Linjärprogramming. EG2205 Föreläsning 7, vårterminen 2015 Mikael Amelin
Linjärprogramming EG2205 Föreläsning 7, vårterminen 2015 Mikael Amelin 1 Kursmål Formulera korttidsplaneringsproblem för vatten- och värmekraftsystem. 2 Tillämpad matematisk programming Korttidsplanering
Tentamen TMA946/MAN280 tillämpad optimeringslära
Tentamen TMA946/MAN80 tillämpad optimeringslära 01081 1. Uppgift: min z 3x 1 + x Då x 1 + x 6 x 1 + x x 1, x 0 Skriv på standardform m.h.aṡlackvariabler min z 3x 1 + x Då x 1 + x s 1 6 x 1 x + s x 1, x,
MMA132: Laboration 2 Matriser i MATLAB
MMA132: Laboration 2 Matriser i MATLAB Introduktion I den här labben skall vi lära oss hur man använder matriser och vektorer i MATLAB. Det är rekommerad att du ser till att ha laborationshandledningen
CHALMERS Finit Elementmetod M3 Institutionen för tillämpad mekanik. Teorifrågor
Teorifrågor : Visa att gradienten till en funktion pekar i den riktning derivatan är störst och att riktingen ortogonalt mot gradienten är tangent till funktionens nivåkurva. Visa hur derivatan i godtycklig
Laboration 1: Optimalt sparande
Avsikten med denna laboration är att: Laboration 1: Optimalt sparande - snabbt komma igång med träning på matlabprogrammering (uttnyttja gärna alla schemalagda laborationstillfällen, - lösa ett optimeringsproblem
Lösningar till 5B1762 Optimeringslära för T, 24/5-07
Lösningar till 5B76 Optimeringslära för T, 4/5-7 Uppgift (a) Först använder vi Gauss Jordans metod på den givna matrisen A = Addition av gånger första raden till andra raden ger till resultat matrisen
Vectorer, spannet av vektorer, lösningsmängd av ett ekvationssystem.
Vectorer, spannet av vektorer, lösningsmängd av ett ekvationssystem. Begrepp som diskuteras i det kapitlet. Vektorer, addition och multiplikation med skalärer. Geometrisk tolkning. Linjär kombination av
Flervariabelanalys E2, Vecka 3 Ht08
Flervariabelanalys E2, Vecka 3 Ht8 Omfattning och innehåll 2.7 Gradienter och riktningsderivator. 2.8 Implicita funktioner 2.9 Taylorserier och approximationer 3. Extremvärden 3.2 Extremvärden under bivillkor
Del I: Lösningsförslag till Numerisk analys,
Lösningsförslag till Numerisk analys, 2016-08-22. Del I: (1) Nedan följer ett antal påståenden. Använd nyckelbegreppen därunder och ange det begrepp som är mest lämpligt. Skriv rätt bokstav (a)-(l) i luckan
Icke-linjära ekvationer
stefan@it.uu.se Exempel x f ( x = e + x = 1 5 3 f ( x = x + x x+ 5= 0 f ( x, y = cos( x sin ( x + y = 1 Kan endast i undantagsfall lösas exakt Kan sakna lösning, ha en lösning, ett visst antal lösningar
Olinjärt med Whats Best!
Olinjärt med Whats Best! WhatsBest har ett flertal olika lösare. Har vi ett linjärt problem känner den igen det och använder sig normalt av simplexmetoden, har vi olinjära problem har den ett flertal metoder
Optimering och simulering: Hur fungerar det och vad är skillnaden?
Optimering och simulering: Hur fungerar det och vad är skillnaden? Anders Peterson, Linköpings universitet Andreas Tapani, VTI med inspel från Sara Gestrelius, RIS-SIS n titt i KAJTs verktygslåda Agenda
1 LP-problem på standardform och Simplexmetoden
Krister Svanberg, mars 202 LP-problem på standardform och Simplexmetoden I detta avsnitt utgår vi från LP-formuleringen (2.2) från föreläsning. Denna form är den bäst lämpade för en strömlinjeformad implementering
Linjära ekvationssystem. Avsnitt 1. Vi ska lära oss en metod som på ett systematiskt sätt löser alla linjära ekvationssystem. Linjära ekvationssystem
Avsnitt Linjära ekvationssystem Elementära radoperationer Gausseliminering Exempel Räkneschema Exempel med exakt en lösning Exempel med parameterlösning Exempel utan lösning Slutschema Avläsa lösningen
Akademin för utbildning, kultur och kommunikation MMA132 Numeriska Metoder Avdelningen för tillämpad matematik Datum: 2 juni 2014
MÄLARDALENS HÖGSKOLA TENTAMEN I MATEMATIK Akademin för utbildning, kultur och kommunikation MMA32 Numeriska Metoder Avdelningen för tillämpad matematik Datum: 2 juni 204 Examinator: Karl Lundengård Skrivtid:
Optimeringslära för T (SF1861)
Optimeringslära för T (SF1861) 1. Kursinformation 2. Exempel på optimeringsproblem 3. Introduktion till linjärprogrammering Introduktion - Ulf Jönsson & Per Enqvist 1 Linjärprogrammering Kursinformation
Grundläggande Idéer Algoritmens komponenter Numerisk optimering Genetisk Programmering. Genetiska Algoritmer
Genetiska Algoritmer 1 Grundläggande Idéer 2 3 4 Exempel Parallell optimering inspirerad av biologisk evolution Parallell optimering inspirerad av biologisk evolution Population av hypoteser Urvalprocess
KRISTOFFER PETERSSON, MEDICINSK STRÅLNINGSFYSIK, LUND
13 11 28 A deliverability comparison of equivalent dualarc VMAT plans generated in two different TPSs KRISTOFFER PETERSSON, MEDICINSK STRÅLNINGSFYSIK, LUND Plan quality Pareto fronts 1 13 11 28 Pareto
Lösningsanvisningar till de icke obligatoriska workoutuppgifterna
Lösningsanvisningar till de icke obligatoriska workoutuppgifterna Linjära system 7. (a) Falskt. Kondition är en egenskap hos problemet oberoende av precisionen i beräkningarna. (b) Falskt. Pivotering påverkar
Lösningar till tentan i SF1861 Optimeringslära, 3 Juni, 2016
Lösningar till tentan i SF86 Optimeringslära, 3 Juni, 6 Uppgift (a) We note that each column in the matrix A contains one + and one, while all the other elements in the column are zeros We also note that
Eulercykel. Kinesiska brevbärarproblemet. Kinesiska brevbärarproblemet: Metod. Kinesiska brevbärarproblemet: Modell. Definition. Definition.
Eulercykel Definition En Eulercykel är en cykel som använder varje båge exakt en gång. Definition En nods valens är antalet bågar som ansluter till noden. Kinesiska brevbärarproblemet En brevbärartur är
SF1545 Laboration 1 (2015): Optimalt sparande
Avsikten med denna laboration är att: SF1545 Laboration 1 (215: Optimalt sparande - snabbt komma igång med träning på matlabprogrammering (uttnyttja gärna alla schemalagda laborationstillfällen, - lösa
Laboration 1 i SF1544: Öva på Matlab och konstruera en optimal balk Avsikten med denna laboration är att:
Laboration 1 i SF1544: Öva på Matlab och konstruera en optimal balk Avsikten med denna laboration är att: - snabbt komma igång med träning på matlabprogrammering (uttnyttja gärna alla schemalagda laborationstillfällen,
Lösningsförslag till Tentamen: Matematiska metoder för ekonomer
Matematiska Institutionen Tentamensskrivning STOCKHOLMS UNIVERSITET kurskod: MM Eaminator: Åsa Ericsson 4-5-7 Lösningsförslag till Tentamen: Matematiska metoder för ekonomer 7 maj 4, kl. 9:-4:. (a) Integralen
= ( 1) ( 1) = 4 0.
MATA15 Algebra 1: delprov 2, 6 hp Fredagen den 17:e maj 2013 Skrivtid: 800 1300 Matematikcentrum Matematik NF Lösningsförslag 1 Visa att vektorerna u 1 = (1, 0, 1), u 2 = (0, 2, 1) och u 3 = (2, 2, 1)
8 Minsta kvadratmetoden
Nr, april -, Amelia Minsta kvadratmetoden. Ekvationssystem med en lösning, -fallet Ett linjärt ekvationssystem, som ½ +7y = y = har en entydig lösning om koefficientdeterminanten, här 7, är skild från
Uppgift 1. Minimeringsproblemet löses med en Monte Carlo algoritm:
Uppgift 1 Minimeringsproblemet löses med en Monte Carlo algoritm: 1) initiera elementen i vektorn s slummässigt med +/-1 2) räkna ut värdefunktionen (ekvationen given i uppgiften) 3) starta iteration 4)
Kursinformation. Matematiska metoder i nationalekonomi 730G77 Linnea Ingebrand
Kursinformation Kursbeskrivning och syfte Det huvudsakliga syftet med kursen är att den studerande skall få kunskap om och själv kunna använda sig av de matematiska metoder som används för att lösa jämvikts-
Optimeringslära Kaj Holmberg. Lösningar/svar. Iteration 2: x 2 s
Tekniska Högskolan i Linköping Optimering av realistiska sammansatta s Matematiska Institutionen Lösning till tentamen Optimeringslära 2014-01-15 Kaj Holmberg Lösningar/svar Uppgift 1 1a: (Detta problem
TENTAMEN I GRUNDKURS I NUMERISKA METODER - DEL 20
Numerisk Analys - Institutionen för Matematik KTH - Royal institute of technology 2016-05-31, kl 08-11 SF1547+SF1543 TENTAMEN I GRUNDKURS I NUMERISKA METODER - DEL 20 Uppgift 1 Man vill lösa ekvationssystemet
Bayesianska numeriska metoder II
Bayesianska numeriska metoder II T. Olofsson Gibb's sampling Vi har sett att en viktig teknik vid Bayesiansk inferens är s.k marginalisering vilket, för kontinuerliga variabler, innebär att vi integrerar
Numeriska metoder för ODE: Teori
Numeriska metoder för ODE: Teori Vilka metoder har vi tagit upp? Euler framåt Euler bakåt Trapetsmetoden y k+ = y k + hf(t k, y k ), explicit y k+ = y k + hf(t k+, y k+ ), implicit y k+ = y k + h (f(t
FMNF15 HT18: Beräkningsprogrammering Numerisk Analys, Matematikcentrum
Johan Helsing, 11 oktober 2018 FMNF15 HT18: Beräkningsprogrammering Numerisk Analys, Matematikcentrum Inlämningsuppgift 3 Sista dag för inlämning: onsdag den 5 december. Syfte: att träna på att hitta lösningar
Newtons metod. 1 Inledning. CTH/GU LABORATION 3 MVE /2014 Matematiska vetenskaper
CTH/GU LABORATION 3 MVE270-2013/2014 Matematiska vetenskaper Newtons metod 1 Inledning Vi skall lösa system av icke-linjära ekvationer. Som exempel kan vi ta, { x1 (1 + x 2 2) 1 = 0 x 2 (1 + x 2 1 ) 2
1. (Dugga 1.1) (a) Bestäm v (3v 2u) om v = . (1p) and u =
Kursen bedöms med betyg,, 5 eller underkänd, där 5 är högsta betyg. För godkänt betyg krävs minst poäng från uppgifterna -7. Var och en av dessa sju uppgifter kan ge maximalt poäng. För var och en av uppgifterna
Några satser ur talteorin
Några satser ur talteorin LCB 997/2000 Fermats, Eulers och Wilsons satser Vi skall studera några klassiska satser i talteori, vilka är av betydelse bland annat i kodningsteknik och kryptoteknik. De kan
Kurs DN1215, Laboration 3 (Del 1): Randvärdesproblem för ordinära differentialekvationer
Kurs DN1215, Laboration 3 (Del 1): Randvärdesproblem för ordinära differentialekvationer Michael Hanke, Johan Karlander 2 april 2008 1 Beskrivning och mål Matematiska modeller inom vetenskap och teknik
= 0. Båda skärningsvinklarna är således π/2 (ortogonala riktningsvektorer).
Institutionen för Matematik, KTH Torbjörn Kolsrud SF163, ifferential- och integralkalkyl II, del 2, flervariabel, för F1. Tentamen torsdag 19 augusti 21, 14. - 19. Inga hjälpmedel är tillåtna. Svar och
ANDREAS REJBRAND NV1A Matematik Linjära ekvationssystem
ANDREAS REJBRAND NVA 004-04-05 Matematik http://www.rejbrand.se Linjära ekvationssystem Innehållsförteckning LINJÄRA EKVATIONSSYSTEM... INNEHÅLLSFÖRTECKNING... DEFINITION OCH LÖSNINGSMETODER... 3 Algebraiska
Optimeringsproblem. 1 Inledning. 2 Optimering utan bivillkor. CTH/GU STUDIO 6 TMV036c /2015 Matematiska vetenskaper
CTH/GU STUDIO TMV3c - 1/15 Matematiska vetenskaper Optimeringsproblem 1 Inledning Vi skall söka minsta eller största värdet hos en funktion på en mängd, dvs. vi skall lösa s.k. optimeringsproblem min f(x)
. (2p) 2x + 2y + z = 4 y + 2z = 2 4x + 3y = 6
Kursen bedöms med betyg, 4, 5 eller underkänd, där 5 är högsta betyg För godkänt betyg krävs minst 4 poäng från uppgifterna -7 Var och en av dessa sju uppgifter kan ge maximalt poäng För var och en av
Sammanfattninga av kursens block inför tentan
FÖRELÄSNING 14 Sammanfattninga av kursens block inför tentan BILD Vi har jobbat med numerisk metoder, datorprogram och tolkning av lösning. Numeriska metoder BILD olika områden: Linjära ekvationssytem,
Preliminärt lösningsförslag
Preliminärt lösningsförslag v04, 7 augusti 05 Högskolan i Skövde (SK) Tentamen i matematik Kurs: MA4G Linjär algebra MAG Linjär algebra för ingenjörer Tentamensdag: 05-08-7 kl 080-0 Hjälpmedel : Inga hjälpmedel
Härledning av Black-Littermans formel mha allmänna linjära modellen
Härledning av Black-Littermans formel mha allmänna linjära modellen Ett sätt att få fram Black-Littermans formel är att formulera problemet att hitta lämpliga justerade avkastningar som ett skattningsproblem
SF1626 Flervariabelanalys Lösningsförslag till tentamen DEL A. 1. En svängningsrörelse beskrivs av
SF166 Flervariabelanalys Lösningsförslag till tentamen 13-3-1 DEL A 1. En svängningsrörelse beskrivs av ( πx ) u(x, t) = A cos λ πft där amplituden A, våglängden λ och frekvensen f är givna konstanter.
1 Kvadratisk optimering under linjära likhetsbivillkor
Krister Svanberg, april 0 Kvadratisk optimering under linjära likhetsbivillkor I detta kapitel behandlas följande kvadratiska optimeringsproblem under linjära likhetsbivillkor: xt Hx + c T x + c 0 då Ax
Intervallhalveringsmetoden, GKN sid 73. Sekantmetoden, GKN sid 79
e x sin(x) = 2 Intervallhalveringsmetoden, GKN sid 73 f(x) = 0 = Roten finns x f(x) i intervallet Skrivs Intervallangd ----------------------------------------------------------------------------- 1.0-0.1232
Linjär algebra på några minuter
Linjär algebra på några minuter Linjära ekvationssystem Ekvationssystem: { Löses på matrisform: ( ) ( ) I det här fallet finns en entydig lösning, vilket betyder att determinanten av koefficientmatrisen
Asymptotisk analys innebär att... man försöker uppskatta vad som händer för stora indatamängder.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
SF1626 Flervariabelanalys
Föreläsning 9 Institutionen för matematik KTH VT 2018 1 Dagens program Extremvärdesproblem (största och minsta värde) kap 13.2 Extremvärdesproblem med bivillkor Lagranges multiplikatormetod kap 13.3 (+ev
LP-problem. Vårt första exempel. Baslösningar representerar extrempunkter. Baslösningar representerar extrempunkter
LP-problem Vårt första exempel Ett LP-problem: max z = c T x då Ax b, x 0. Den tillåtna mängden är en polyeder och konvex. Målfunktionen är linjär och konvex. Så problemet är konvext. Var ligger optimum?
Examinator: Torbjörn Larsson Jourhavande lärare: Torbjörn Larsson, tel Tentamensinstruktioner. När Du löser uppgifterna
Matematiska institutionen Optimeringslära TENTAMEN TAOP07/TEN1 OPTIMERINGSLÄRA GRUNDKURS för Y Datum: 21 augusti 2012 Tid: 14-19 Hjälpmedel: Inga Antal uppgifter: 7 Uppgifterna är inte ordnade efter svårighetsgrad.
Lösningsförslag till tentamen i SF1861 Optimeringslära för T. Onsdag 25 augusti 2010 kl
Lösningsförslag till tentamen i SF86 Optimeringslära för T. Onsdag 25 augusti 2 kl. 4. 9. Examinator: Per Enqvist, tel. 79 62 98. (a) Vi har ett nätverksflödesproblem med 5 noder. Låt x = (x 2, x 3, x
Linjärisering, Jacobimatris och Newtons metod.
Linjärisering, Jacobimatris och Newtons metod Analys och Linjär Algebra, del C, K/Kf/Bt, vt0 Inledning Vi skall lösa system av icke-linjära ekvationer Som exempel kan vi ta, x = 0, x = 0, som är ett system
Tentamen i Beräkningsvetenskap II, 5.0 hp,
Uppsala universitet Institutionen för informationsteknologi Beräkningsvetenskap Per Lötstedt, tel. 47 2986 Saleh Rezaeiravesh Tentamen i Beräkningsvetenskap II, 5.0 hp, 206-0-4 Skrivtid: 4 00 7 00 (OBS!
VÄXANDE OCH AVTAGANDE FUNKTIONER. STATIONÄRA(=KRITISKA) PUNKTER. KONVEXA OCH KONKAVA FUNKTIONER. INFLEXIONSPUNKTER
Stationära och infleionspunkter VÄXANDE OCH AVTAGANDE FUNKTIONER STATIONÄRA(KRITISKA) PUNKTER KONVEXA OCH KONKAVA FUNKTIONER INFLEXIONSPUNKTER EXTREMPUNKTER OCH EXTREMVÄRDEN Definition (Globalt maimum)
TNK049 Optimeringslära
TNK049 Optimeringslära Clas Rydergren, ITN Föreläsning 3 Problemklassificering Global/lokal optimalitet Konvexitet Generella sökmetoder Agenda Problemklassificering (kap 1.4, 2.1 2.3) Lokalt/globalt optimum