Numerikus analízis 7. Numerikus integrálás 8. Szélsőérték-számítás 2023 скачать в хорошем качестве

Numerikus analízis 7. Numerikus integrálás 8. Szélsőérték-számítás 2023

Ez a videó egy egyetemi előadás a Numerikus analízis tárgyköréből, amelyet 2023. április 15-én rögzítettek. Az előadó a numerikus integrálás különböző módszereit, valamint a szélsőérték-keresés numerikus eljárásait ismerteti részletesen. Főbb témakörök: 1. Numerikus integrálás [00:29] Az előadás első fele az integrálok közelítő kiszámításáról szól, különös tekintettel a Lagrange-interpoláción alapuló módszerekre: Newton-Cotes formulák: Olyan eljárások, ahol a függvényt egy polinommal helyettesítik, és annak integrálját számolják ki. Trapézformula: A függvényt egyenessel közelíti az intervallum két végpontja között [07:58]. Az összetett trapézformula esetén az intervallumot több részre bontják a pontosság növelése érdekében [13:09]. Simpson-formula: Másodfokú polinomot (parabolát) használ a közelítéshez, ami jelentősen pontosabb eredményt ad [01:09:48]. Gauss-kvadratúra: Egy hatékonyabb megközelítés, amely nem egyenlő közű alappontokat használ, hanem optimálisan választja meg azokat, így kevesebb függvénykiértékeléssel ér el nagy pontosságot [01:28:48]. 2. Szélsőérték-számítás (Optimalizálás) [01:37:11] Az előadás második fele a függvények minimum- és maximumhelyeinek meghatározásával foglalkozik: Matematikai alapok: A többszöváltozós függvények deriváltjai, a gradiens vektor és a Hesse-mátrix szerepe a szélsőértékek létezésének igazolásában [01:38:02]. Egyváltozós keresés: Aranymetszéses keresés: Az intervallumfelezéshez hasonló módszer, amely minden lépésben egyre szűkebb tartományba zárja a minimumhelyet [01:43:28]. Többváltozós keresés: Szimplex módszer (Nelder-Mead): Egy háromszög (vagy magasabb dimenziós test) csúcspontjait mozgatja, tükrözi és zsugorítja a függvényértékek alapján, amíg el nem éri a minimumot [01:54:37]. Gradiens módszerek: A "legmeredekebb lejtő" irányába való elmozdulás elve. Az optimális gradiens módszer minden lépésben merőleges irányváltásokkal halad a cél felé [01:13:11]. Newton-módszer: Másodrendű közelítést használ, amely nagyon gyors konvergenciát biztosít, de szükség van hozzá a második deriváltakra (Hesse-mátrix) is [01:28:41]. Az előadó számos numerikus példán és grafikonon keresztül szemlélteti az egyes algoritmusok működését és hibakorlátait.