Titlebook: Numerische Verfahren zur L?sung unrestringierter Optimierungsaufgaben; Carl Geiger,Christian Kanzow Textbook 1999 Springer-Verlag Berlin H

幸福愉悅感

缺乏

https://doi.org/10.1007/978-3-642-58582-1Analysis; Gradientenverfahren; Newton-Verfahren; Numerische Mathematik; Optimierung; Optimierungsverfahre

Intruder

,Optimalit?tskriterien,In diesem Kapitel gehen wir auf notwendige und hinreichende Bedingungen für lokale Minima ein, welche Ableitungen benutzen. Wir beginnen mit einem notwendigen Kriterium erster Ordnung, wobei man von einem Kriterium . Ordnung spricht, da nur Informationen über die erste Ableitung eingehen.

厚顏

Konvexe Funktionen,In diesem Kapitel geben wir eine kurze Einführung in die Klasse der konvexen Funktionen. Diese spielen in der Optimierung eine wichtige Rolle. Insbesondere werden wir zeigen, da? das notwendige Optimalit?tskriterium aus dem Satz 2.1 für konvexe Funktionen bereits hinreichend für das Vorliegen eines globalen Minimums ist.

興奮過度

Consequence

Konvergenzraten und Charakterisierungen,Bei den sp?ter zu behandelnden Verfahren sind wir nicht nur daran interessiert, da? diese Verfahren eine Folge {.} erzeugen, die m?glichst gegen eine L?sung .* ∈ ?. des Minimierungsproblemes . konvergiert, sondern auch, da? diese Konvergenz m?glichst schnell ist.

悄悄移動

,Limited Memory Quasi—Newton—Verfahren,Einer der Nachteile der im Kapitel 11 behandelten Quasi—Newton—Verfahren besteht darin, in jedem Iterationsschritt eine . x .-Matrix abspeichern zu müssen. Selbst bei Ausnutzung der Symmetrie dieser Matrix verbleibt ein Speicherplatzbedarf von 1/2.(.+1) Matrixeintr?gen. Für gro?dimensionale Optimierungsprobleme ist dies aber entschieden zu viel.

細(xì)胞膜

預(yù)防注射

向前變橢圓

Carl Geiger,Christian KanzowUmfassender, aktueller und deutlich über die existierende Lehrbuchliteratur hinausgehender überblick zum Thema "Numerische L?sung unrestringierter Optimierungsaufgaben mit differenzierbarer Zielfunkti