Numerikus analízis 7. Numerikus integrálás, 8 Minimumkeresés 2024 скачать в хорошем качестве

Numerikus analízis 7. Numerikus integrálás, 8 Minimumkeresés 2024

Ez a YouTube-videó a numerikus analízis két fontos témakörét járja körül: a numerikus integrálást és a szélsőérték-számítást. Az előadás egy levelező tagozatos kurzus része, és részletes matematikai levezetéseket, valamint gyakorlati példákat mutat be. Az alábbiakban összefoglalom a videó legfontosabb részeit: 1. Numerikus integrálás [00:26] A videó első fele az interpolációs típusú kvadratúra-formulákkal foglalkozik, ahol a függvény integrálját egy közelítő polinom integráljával helyettesítik. Newton-Cotes formulák: Olyan módszerek, ahol a függvényértékek súlyozott összege adja meg az integrál közelítését. Trapézszabály: Két ponton (az intervallum szélein) alapuló lineáris közelítés. A videó bemutatja az elemi és az összetett trapézszabályt is, utóbbi az intervallum felosztásával pontosabb eredményt ad [12:06]. Simpson-szabály: Három ponton alapuló, másodfokú polinomot használó közelítés. Ez lényegesen pontosabb (negyedrendű hiba), mint a trapézszabály [20:00]. Gauss-kvadratúra: A legmagasabb pontossági fokú módszer, ahol nemcsak a súlyokat, hanem az alappontokat is szabadon választhatjuk meg. A levezetés a Legendre-polinomok gyökeire épül [41:42]. 2. Szélsőérték-számítás (Minimumkeresés) [01:12:29] A második részben többváltozós függvények lokális minimumának megkereséséhez szükséges numerikus eljárásokról van szó. Aranymetszés módszere: Egyváltozós, unimodális függvényeknél használt intervallum-felező eljárás, amelyhez nincs szükség deriváltakra [57:25]. Szimplex módszer (Nelder-Mead): N-dimenziós keresőeljárás, amely egy n+1 csúcsú mértani alakzat (szimplex) tükrözésével, nyújtásával és zsugorításával halad a minimum felé. Előnye, hogy nem igényel deriváltakat [01:12:30]. Gradiens módszerek: Lépcsős (Steepest Descent): A negatív gradiens irányába lépve keresi a leggyorsabb csökkenést [01:23:41]. Optimális gradiens módszer: Minden lépésben egy egydimenziós minimumkeresést is lefuttat az adott irányban [01:28:22]. Newton-módszer: Másodrendű deriváltakat (Hesse-mátrixot) is használ, így nagyon gyors (kvadratikus) konvergenciát biztosít, de számításigényes a mátrix-invertálás miatt [01:38:42]. Kvázi-Newton módszerek (pl. BFGS): Olyan hatékony eljárások, amelyek közelítik a második deriváltat, így ötvözik a gyorsaságot a könnyebb számíthatósággal [01:45:14]. A videó az alapvető elméleti hátteret és a gyakorlati alkalmazást (pl. hibabecslések) is szemlélteti konkrét numerikus példákon keresztül.