Engelska

Vid tillräcklig efterfrågan

Kursen syftar till att doktoranden skall få god kännedom om vilka numeriska optimeringsalgoritmer som finns idag särskilt om dem som lämpar sig för storskaliga problem - speciellt deras respektive praktiska för- och nackdelar och en djupare förståelse för grundprinciperna som ligger bakom - för att kunna använda dem i sin forskning.

Linjesökning och trust-region-metoder, konjugerade gradienter och kvasi-Newtonmetoder, storskalig optimering, derivationsfria metoder, minsta kvadrat-metoder, icke-lineära ekvationer, teori och grundläggande algoritmer för icke-lineär optimering med bivillkor, inre punkt-metoder, kvadratisk och sekventiell kvadratisk programmering, straff och utökade Lagrange-metoder.

kunna översiktligt redogöra för moderna optimeringsalgoritmer som används i praktiken.
kunna förklara huvudprinciperna för de optimeringsalgoritmer som berörs i kursen.
kunna beskriva skillnader mellan algoritmer med avseende på egenskaper och beteende.

kunna självständigt identifiera och formalisera industriellt och forskningsmässigt relevanta problem som optimeringsproblem.
visa god förmåga att analysera ett optimeringproblem och föreslå en lämplig numerisk algoritm samt implementera den i MATLAB.
kunna kvalitativt jämföra starka och svaga sidor hos olika numeriska algoritmer i kursen (konvergens, snabbhet, stabilitet, storskalig m.m.)
kunna redogöra för lösningen till matematiska problem inom kursens ram, med adekvat terminologi, väl strukturerat och logiskt sammanhängande.

Seminarier

Seminarier av kursdeltagarna

Inlämningsuppgifter

Seminarieföredrag av deltagarna

Underkänd, godkänd

Nocedal, J. & Wright, S.: Numerical Optimization. Springer, 2006. ISBN 9780387303031.

Kursen ges om minst sju intressenter finns.

FMA275F

 -02-17

FN1/AndersGustafsson