Iterativne metode - vježbe
|
|
- Λάχεσις Μεσσηνέζης
- 6 χρόνια πριν
- Προβολές:
Transcript
1 Iterativne metode - vježbe 3. Iterativne metode za linearne sustave Nela Bosner, Zvonimir Bujanović Prirodoslovno-matematički fakultet - Matematički odjel 20. listopada 2010.
2 Sadržaj 1 Osnovne iterativne metode Jacobijeva metoda Gauss-Seidelova metoda JOR (Jacobi Over-Relaxation) SOR (Succesive Over-Relaxation) 2 Aproksimacije iz Krilovljevih potprostora Metoda najbržeg silaska Metoda konjugiranih smjerova Metoda konjugiranih gradijenata GMRES 3 Prekondicioniranje 3. Iterativne metode za linearne sustave Osnovne iterativne metode -
3 Gaussove eliminacije vs iterativne metode Nedostaci Gaussovih eliminacija: Prespore za matrice velikih dimenzija: O(n 3 ) za A R n n. Matrice u praksi su sparse i ne čuvaju se kao 2D-polje, već se spremaju samo elementi koji nisu jednaki 0. LU-faktorizacija uništava strukturu nula u sparse matricama. Zato takve sustave rješavamo iterativno: Algoritam (Općenita iterativna metoda) x (0) zadan; k=0; while ~uvjet_zaustavljanja k=k+1; x (k) = f(x (k 1) ); end x x (k) 3. Iterativne metode za linearne sustave Osnovne iterativne metode -
4 Gaussove eliminacije vs iterativne metode Nedostaci Gaussovih eliminacija: Prespore za matrice velikih dimenzija: O(n 3 ) za A R n n. Matrice u praksi su sparse i ne čuvaju se kao 2D-polje, već se spremaju samo elementi koji nisu jednaki 0. LU-faktorizacija uništava strukturu nula u sparse matricama. Zato takve sustave rješavamo iterativno: Algoritam (Općenita iterativna metoda) x (0) zadan; k=0; while ~uvjet_zaustavljanja k=k+1; x (k) = f(x (k 1) ); end x x (k) 3. Iterativne metode za linearne sustave Osnovne iterativne metode -
5 Općenita iterativna metoda Algoritam (Općenita iterativna metoda) x (0) zadan; k=0; while ~uvjet_zaustavljanja k=k+1; x (k) = f(x (k 1) ); end x x (k) Ciljevi: Efikasno računanje x (k) pomoću x (k 1) (jednostavna f ) x (k) k x, gdje je Ax = b. 3. Iterativne metode za linearne sustave Osnovne iterativne metode -
6 Općenita iterativna metoda Proučavat ćemo metode oblika x (k+1) = T x (k) + c, k = 0,1,2,... Ovdje: T R n n je matrica iteracije, c R n. Tipičan način konstrukcije metode: A = M N, M regularna. Ax = b (M N)x = b Mx = Nx + b Odavde dobivamo iterativnu metodu: x = M 1 Nx + M 1 b x (k+1) = M}{{ 1 N} x (k) + M }{{ 1 b } T c 3. Iterativne metode za linearne sustave Osnovne iterativne metode -
7 Općenita iterativna metoda Proučavat ćemo metode oblika x (k+1) = T x (k) + c, k = 0,1,2,... Ovdje: T R n n je matrica iteracije, c R n. Tipičan način konstrukcije metode: A = M N, M regularna. Ax = b (M N)x = b Mx = Nx + b Odavde dobivamo iterativnu metodu: x = M 1 Nx + M 1 b x (k+1) = M}{{ 1 N} x (k) + M }{{ 1 b } T c 3. Iterativne metode za linearne sustave Osnovne iterativne metode -
8 Općenita iterativna metoda Proučavat ćemo metode oblika x (k+1) = T x (k) + c, k = 0,1,2,... Ovdje: T R n n je matrica iteracije, c R n. Tipičan način konstrukcije metode: A = M N, M regularna. Ax = b (M N)x = b Mx = Nx + b Odavde dobivamo iterativnu metodu: x = M 1 Nx + M 1 b x (k+1) = M}{{ 1 N} x (k) + M }{{ 1 b } T c 3. Iterativne metode za linearne sustave Osnovne iterativne metode -
9 Konvergencija općenite iterativne metode Teorem Neka je A = M N R n n regularna matrica i b R n. Niz iteracija x (0),x (1),...,x (k),... definiran sa x (k+1) = M 1 N x (k) + M 1 b konvergira prema x = A 1 b za svaku početnu iteraciju x (0) ako i samo ako je M regularna matrica, ρ(m 1 N) < 1 (spektralni radijus), Tvrdnja teorema vrijedi i kada drugi uvijet zamijenimo sa M 1 N < 1 za neku konzistentnu matričnu normu. 3. Iterativne metode za linearne sustave Osnovne iterativne metode -
10 Spektralni radijus, konzistentne norme Spektralni radijus: za A C n n je ρ(a) := max{ λ : λ Λ(A)} Matrična norma je konzistentna ako za sve A,B C n n vrijedi: Na primjer: 2, 1,, F. AB A B. Teorem Za svaku konzistentnu normu na C n n i svaku matricu A C n n vrijedi: ρ(a) A. Za svaku A C n n i svaki ε > 0 postoji konzistentna matrična norma A,ε takva da vrijedi: A A,ε ρ(a) + ε. 3. Iterativne metode za linearne sustave Osnovne iterativne metode -
11 Spektralni radijus, konzistentne norme Spektralni radijus: za A C n n je ρ(a) := max{ λ : λ Λ(A)} Matrična norma je konzistentna ako za sve A,B C n n vrijedi: Na primjer: 2, 1,, F. AB A B. Teorem Za svaku konzistentnu normu na C n n i svaku matricu A C n n vrijedi: ρ(a) A. Za svaku A C n n i svaki ε > 0 postoji konzistentna matrična norma A,ε takva da vrijedi: A A,ε ρ(a) + ε. 3. Iterativne metode za linearne sustave Osnovne iterativne metode -
12 Spektralni radijus, konzistentne norme Spektralni radijus: za A C n n je ρ(a) := max{ λ : λ Λ(A)} Matrična norma je konzistentna ako za sve A,B C n n vrijedi: Na primjer: 2, 1,, F. AB A B. Teorem Za svaku konzistentnu normu na C n n i svaku matricu A C n n vrijedi: ρ(a) A. Za svaku A C n n i svaki ε > 0 postoji konzistentna matrična norma A,ε takva da vrijedi: A A,ε ρ(a) + ε. 3. Iterativne metode za linearne sustave Osnovne iterativne metode -
13 Zadatak 3.1 Zadatak Neka vrijede pretpostavke Teorema o konvergenciji iterativne metode za T = M 1 N. Odredite kriterij zaustavljanja, tj. broj iteracija k dovoljan da vrijedi x (k) x < ε, za zadanu točnost ε. Rješenje. T k 1 T x(1) x (0) < ε. 3. Iterativne metode za linearne sustave Osnovne iterativne metode -
14 Zadatak 3.1 Zadatak Neka vrijede pretpostavke Teorema o konvergenciji iterativne metode za T = M 1 N. Odredite kriterij zaustavljanja, tj. broj iteracija k dovoljan da vrijedi x (k) x < ε, za zadanu točnost ε. Rješenje. T k 1 T x(1) x (0) < ε. 3. Iterativne metode za linearne sustave Osnovne iterativne metode -
15 Zadatak 3.2 Zadatak Dan je sustav Ax = b, gdje je A = , b = Odredite rastav A = M N i pripadnom iterativnom metodom riješite sustav tako da greška u svakoj nepoznanici bude manja od Iterativne metode za linearne sustave Osnovne iterativne metode -
16 Zadatak 3.2 Rješenje. Stavimo M = inv(m) , N = Iterativne metode za linearne sustave Osnovne iterativne metode -
17 Zadatak 3.2 Rješenje. Stavimo M = inv(m) , N = Iterativne metode za linearne sustave Osnovne iterativne metode -
18 Zadatak 3.2 Rješenje. T = M \ N Želimo x (k) x < Da li metoda konvergira? norm( T, inf ) Dakle, metoda x (k+1) = Tx (k) + c konvergira jer T < 1, uz c=m\b= [ ]. 3. Iterativne metode za linearne sustave Osnovne iterativne metode -
19 Zadatak 3.2 Rješenje. T = M \ N Želimo x (k) x < Da li metoda konvergira? norm( T, inf ) Dakle, metoda x (k+1) = Tx (k) + c konvergira jer T < 1, uz c=m\b= [ ]. 3. Iterativne metode za linearne sustave Osnovne iterativne metode -
20 Zadatak 3.2 Rješenje. Koliko iteracija je potrebno? Stavimo x (0) = 0; tada x (1) = c i x (1) x (0) = c = Prethodni zadatak: dovoljno je osigurati Dakle, možemo uzeti k = 3. T k 1 T c < 10 3 (0.04) k < 10 3 (0.04) k < k log(0.04) < log( ) k > Iterativne metode za linearne sustave Osnovne iterativne metode -
21 Zadatak 3.2 Rješenje. x0 = [0; 0; 0; 0; 0]; x1 = T*x0 + c x2 = T*x1 + c x3 = T*x2 + c x1 = x2 = x3 = Egzaktno rješenje je x=[ ]. Zaista, x x (3) < Iterativne metode za linearne sustave Osnovne iterativne metode -
22 Zadatak 3.2 Rješenje. x0 = [0; 0; 0; 0; 0]; x1 = T*x0 + c x2 = T*x1 + c x3 = T*x2 + c x1 = x2 = x3 = Egzaktno rješenje je x=[ ]. Zaista, x x (3) < Iterativne metode za linearne sustave Osnovne iterativne metode -
23 Sadržaj 1 Osnovne iterativne metode Jacobijeva metoda Gauss-Seidelova metoda JOR (Jacobi Over-Relaxation) SOR (Succesive Over-Relaxation) 2 Aproksimacije iz Krilovljevih potprostora Metoda najbržeg silaska Metoda konjugiranih smjerova Metoda konjugiranih gradijenata GMRES 3 Prekondicioniranje 3. Iterativne metode za linearne sustave Osnovne iterativne metode - Jacobijeva metoda
24 Jacobijeva metoda Rastavimo A = D + L + U. D=dijagonala, L=donji trokut, U=gornji trokut od A. Jacobi: M J = D, N J = L U, odnosno, x (k+1) = D 1 ( L U) x (k) + D }{{}}{{ 1 b }. T c J J Teorem Ako je matrica sustava A C n n strogo dijagonalno dominantna, tj. ako je n A ij < A ii, i = 1,2,...,n j=1 j i onda Jacobijeva metoda konvergira za svaku početnu iteraciju. (Tada je T J < 1.) 3. Iterativne metode za linearne sustave Osnovne iterativne metode - Jacobijeva metoda
25 Jacobijeva metoda Rastavimo A = D + L + U. D=dijagonala, L=donji trokut, U=gornji trokut od A. Jacobi: M J = D, N J = L U, odnosno, x (k+1) = D 1 ( L U) x (k) + D }{{}}{{ 1 b }. T c J J Teorem Ako je matrica sustava A C n n strogo dijagonalno dominantna, tj. ako je n A ij < A ii, i = 1,2,...,n j=1 j i onda Jacobijeva metoda konvergira za svaku početnu iteraciju. (Tada je T J < 1.) 3. Iterativne metode za linearne sustave Osnovne iterativne metode - Jacobijeva metoda
26 Jacobijeva metoda Algoritam (Jacobi) x (0) zadan. for k = 0,1,2,... for i = 1,2,...,n ( x (k+1) i = 1 b A ii i i 1 end end j=1 A ijx (k) j ) n j=i+1 A ijx (k) j Iz i-te jednadžbe izrazimo x i pomoću ostalih varijabli. Za aproksimaciju x (k+1) i koristimo vrijednosti preostalih x-eva iz k-tog koraka. U implementaciji se koriste dva vektora za x (k). 3. Iterativne metode za linearne sustave Osnovne iterativne metode - Jacobijeva metoda
27 Sadržaj 1 Osnovne iterativne metode Jacobijeva metoda Gauss-Seidelova metoda JOR (Jacobi Over-Relaxation) SOR (Succesive Over-Relaxation) 2 Aproksimacije iz Krilovljevih potprostora Metoda najbržeg silaska Metoda konjugiranih smjerova Metoda konjugiranih gradijenata GMRES 3 Prekondicioniranje 3. Iterativne metode za linearne sustave Osnovne iterativne metode - Gauss-Seidelova metoda
28 Gauss-Seidelova metoda Rastavimo A = D + L + U. D=dijagonala, L=donji trokut, U=gornji trokut od A. Gauss-Seidel: M GS = D + L, N GS = U, odnosno, x (k+1) = (D + L) 1 ( U) }{{} x (k) + (D + L) 1 b }{{}. T GS c GS Teorem Ako je matrica sustava A C n n simetrična i pozitivno definitna, onda Gauss-Seidelova metoda konvergira za svaku početnu iteraciju. Ako je matrica sustava A C n n strogo dijagonalno dominantna, onda Gauss-Seidelova metoda konvergira za svaku početnu iteraciju. 3. Iterativne metode za linearne sustave Osnovne iterativne metode - Gauss-Seidelova metoda
29 Gauss-Seidelova metoda Rastavimo A = D + L + U. D=dijagonala, L=donji trokut, U=gornji trokut od A. Gauss-Seidel: M GS = D + L, N GS = U, odnosno, x (k+1) = (D + L) 1 ( U) }{{} x (k) + (D + L) 1 b }{{}. T GS c GS Teorem Ako je matrica sustava A C n n simetrična i pozitivno definitna, onda Gauss-Seidelova metoda konvergira za svaku početnu iteraciju. Ako je matrica sustava A C n n strogo dijagonalno dominantna, onda Gauss-Seidelova metoda konvergira za svaku početnu iteraciju. 3. Iterativne metode za linearne sustave Osnovne iterativne metode - Gauss-Seidelova metoda
30 Gauss-Seidelova metoda Algoritam (Gauss-Seidel) x (0) zadan. for k = 0,1,2,... for i = 1,2,...,n ( x (k+1) i = 1 b A ii i i 1 end end j=1 A ijx (k+1) j ) n j=i+1 A ijx (k) j Iz i-te jednadžbe izrazimo x i pomoću ostalih varijabli. Za aproksimaciju x (k+1) i koristimo vrijednosti preostalih x-eva: iz k + 1-vog koraka ako smo ih već ranije izračunali: x (k+1) 1,x (k+1) 2,...,x (k+1) i 1 ; iz k-tog koraka ako ih još nismo izračunali: x (k) i+1,x(k) i+2,...,x(k) n. U implementaciji se koristi samo jedan vektor za x (k). 3. Iterativne metode za linearne sustave Osnovne iterativne metode - Gauss-Seidelova metoda
31 Zadatak 3.3 Zadatak Napišite funkcije xk = Jacobi(A,b,x0,kMax) i xk = GaussSeidel(A,b,x0,kMax) koje vraćaju aproksimaciju rješenja sustava Ax = b nakon kmax koraka Jacobijeve, odnosno Gauss-Seidelove metode s početnom iteracijom x0. Pomoću ovih metoda riješite sustav Ax = b uz A = , b = tako da greška u svakoj koordinati ne prelazi Iterativne metode za linearne sustave Osnovne iterativne metode - Gauss-Seidelova metoda
32 Zadatak 3.3 Rješenje. Jacobi: T J = D 1 ( L U) = , c J = D 1 b = Metoda konvergira jer je ρ(t J ) T J = 0.2 < 1. Broj koraka (uz x (0) = 0)): x (k) x T J k c J 1 T J < 10 3 Slijedi k > , tj. dovoljno je uzeti k = Iterativne metode za linearne sustave Osnovne iterativne metode - Gauss-Seidelova metoda
33 Zadatak 3.3 Rješenje. Jacobi: T J = D 1 ( L U) = , c J = D 1 b = Metoda konvergira jer je ρ(t J ) T J = 0.2 < 1. Broj koraka (uz x (0) = 0)): x (k) x T J k c J 1 T J < 10 3 Slijedi k > , tj. dovoljno je uzeti k = Iterativne metode za linearne sustave Osnovne iterativne metode - Gauss-Seidelova metoda
34 Zadatak 3.3 Rješenje. Jacobi: T J = D 1 ( L U) = , c J = D 1 b = Metoda konvergira jer je ρ(t J ) T J = 0.2 < 1. Broj koraka (uz x (0) = 0)): x (k) x T J k c J 1 T J < 10 3 Slijedi k > , tj. dovoljno je uzeti k = Iterativne metode za linearne sustave Osnovne iterativne metode - Gauss-Seidelova metoda
35 Zadatak 3.3 Rješenje. Jacobi: 0.8 x (1) = 0 1.2, x(2) = 2.0 x (4) = , x(5) =, x(3) = Iterativne metode za linearne sustave Osnovne iterativne metode - Gauss-Seidelova metoda
36 Zadatak 3.3 Rješenje. 3. Iterativne metode za linearne sustave Osnovne iterativne metode - Gauss-Seidelova metoda
37 Zadatak 3.3 Rješenje. Gauss-Seidel: T GS = (D + L) 1 ( U) = c GS = (D + L) 1 b = Metoda konvergira jer je ρ(t GS ) T GS = 0.2 < 1. Broj koraka (uz x (0) = 0)): x (k) x T GS k c GS 1 T GS < 10 3 Slijedi k > , tj. dovoljno je uzeti k = Iterativne metode za linearne sustave Osnovne iterativne metode - Gauss-Seidelova metoda
38 Zadatak 3.3 Rješenje. Gauss-Seidel: T GS = (D + L) 1 ( U) = c GS = (D + L) 1 b = Metoda konvergira jer je ρ(t GS ) T GS = 0.2 < 1. Broj koraka (uz x (0) = 0)): x (k) x T GS k c GS 1 T GS < 10 3 Slijedi k > , tj. dovoljno je uzeti k = Iterativne metode za linearne sustave Osnovne iterativne metode - Gauss-Seidelova metoda
39 Zadatak 3.3 Rješenje. Gauss-Seidel: T GS = (D + L) 1 ( U) = c GS = (D + L) 1 b = Metoda konvergira jer je ρ(t GS ) T GS = 0.2 < 1. Broj koraka (uz x (0) = 0)): x (k) x T GS k c GS 1 T GS < 10 3 Slijedi k > , tj. dovoljno je uzeti k = Iterativne metode za linearne sustave Osnovne iterativne metode - Gauss-Seidelova metoda
40 Zadatak 3.3 Rješenje. Gauss-Seidel: 0.8 x (1) = , x(2) = x (4) = , x(5) =, x(3) = Iterativne metode za linearne sustave Osnovne iterativne metode - Gauss-Seidelova metoda
41 Zadatak 3.3 Rješenje. 3. Iterativne metode za linearne sustave Osnovne iterativne metode - Gauss-Seidelova metoda
42 Sadržaj 1 Osnovne iterativne metode Jacobijeva metoda Gauss-Seidelova metoda JOR (Jacobi Over-Relaxation) SOR (Succesive Over-Relaxation) 2 Aproksimacije iz Krilovljevih potprostora Metoda najbržeg silaska Metoda konjugiranih smjerova Metoda konjugiranih gradijenata GMRES 3 Prekondicioniranje 3. Iterativne metode za linearne sustave Osnovne iterativne metode - JOR (Jacobi Over-Relaxation)
43 JOR Uz ρ(t J ) 1, konvergencija Jacobijeve metode je spora. Uvodimo parametar relaksacije ω s ciljem da smanjimo spektralni radijus matrice iteracije i ubrzamo konvergenciju. Rastavimo A = ( 1 ω 1 ω D) + ( ω D + L + U). D=dijagonala, L=donji trokut, U=gornji trokut od A. JOR(ω): M JOR(ω) = 1 ω D, N JOR(ω) = 1 ω ω D L U, odnosno, JOR(1) = Jacobi. x (k+1) = ((1 ω)i + ωt J ) x (k) + ωd }{{}}{{ 1 b } T c JOR(ω) JOR(ω) = (1 ω)x (k) + ωx (k+1) J. 3. Iterativne metode za linearne sustave Osnovne iterativne metode - JOR (Jacobi Over-Relaxation)
44 Konvergencija JOR(ω) Teorem Ako konvergira Jacobijeva metoda, onda konvergira i JOR(ω) za svaki ω 0,1] i za svaku početnu iteraciju. Ako je matrica sustava A C n n simetrična i pozitivno definitna, te ako je λ < 1 za sve λ Λ(T J ), onda uz oznaku λ min = min{λ : λ Λ(T J )} 0 vrijedi: JOR(ω) konvergira za 0 < ω < za svaku početnu iteraciju. 2 1 λ min 2, JOR(ω) NE konvergira za ω < 0 ni za ω 2 JOR(ω) ne konvergira za ω < 0 ni za ω Iterativne metode za linearne sustave Osnovne iterativne metode - JOR (Jacobi Over-Relaxation)
45 Algoritam JOR(ω) Algoritam (JOR(ω)) x (0) zadan. for k = 0,1,2,... for i = 1,2,...,n end end x (k+1) i = (1 ω)x (k) i + ω A ii ( b i i 1 j=1 A ijx (k) j ) n j=i+1 A ijx (k) j Iz i-te jednadžbe izrazimo x i pomoću ostalih varijabli, napravimo težinsku sredinu s trenutnim rješenjem. Za aproksimaciju x (k+1) i koristimo vrijednosti preostalih x-eva iz k-tog koraka. U implementaciji se koriste dva vektora za x (k). 3. Iterativne metode za linearne sustave Osnovne iterativne metode - JOR (Jacobi Over-Relaxation)
46 Zadatak 3.4 Zadatak Napišite funkciju xk = JOR(w, A, b, x0, kmax) koja vraća aproksimaciju rješenja sustava Ax = b nakon kmax koraka JOR(ω) metode s početnom iteracijom x0. Odredite za koje ω R metoda JOR(ω) konvergira ako je matrica sustava A = Za koji ω je konvergencija najbrža? 3. Iterativne metode za linearne sustave Osnovne iterativne metode - JOR (Jacobi Over-Relaxation)
47 Zadatak 3.4 Rješenje. Napravite ovaj graf uz samo 1 poziv funkcije eig! 3. Iterativne metode za linearne sustave Osnovne iterativne metode - JOR (Jacobi Over-Relaxation)
48 Zadatak 3.4 Rješenje. Za ω = , b=[1;2;3], x0=[0;0;0]: x (1) = , x (2) = , x (3) = x (4) = , x (5) = , x (120) = Iterativne metode za linearne sustave Osnovne iterativne metode - JOR (Jacobi Over-Relaxation)
49 Sadržaj 1 Osnovne iterativne metode Jacobijeva metoda Gauss-Seidelova metoda JOR (Jacobi Over-Relaxation) SOR (Succesive Over-Relaxation) 2 Aproksimacije iz Krilovljevih potprostora Metoda najbržeg silaska Metoda konjugiranih smjerova Metoda konjugiranih gradijenata GMRES 3 Prekondicioniranje 3. Iterativne metode za linearne sustave Osnovne iterativne metode - SOR (Succesive Over-Relaxation)
50 SOR Uz ρ(t GS ) 1, konvergencija Gauss-Seidelove metode je spora. Uvodimo parametar relaksacije ω s ciljem da smanjimo spektralni radijus matrice iteracije i ubrzamo konvergenciju. Rastavimo A = ( 1 ω 1 ω D + L) + ( ω D + U). D=dijagonala, L=donji trokut, U=gornji trokut od A. SOR(ω): M SOR(ω) = 1 ω D + L, N SOR(ω) = 1 ω ω D U, odnosno, x (k+1) = (D + ωl) 1 ((1 ω)d ωu) x (k) + ω(d + ωl) 1 b }{{}}{{} T SOR(ω) c SOR(ω) (1 ω)x (k) + ωx (k+1) GS. Ali, x (k+1) i = (1 ω)x (k) i + ωx (k+1) i,gs. SOR(1) = Gauss-Seidel. 3. Iterativne metode za linearne sustave Osnovne iterativne metode - SOR (Succesive Over-Relaxation)
51 Konvergencija SOR(ω) Teorem Ako je matrica sustava A C n n simetrična i pozitivno definitna, onda SOR(ω) konvergira za svaki ω 0,2. SOR(ω) ne konvergira za ω < 0 ni za ω Iterativne metode za linearne sustave Osnovne iterativne metode - SOR (Succesive Over-Relaxation)
52 Algoritam SOR(ω) Algoritam (SOR(ω)) x (0) zadan. for k = 0,1,2,... for i = 1,2,...,n end end x (k+1) i = (1 ω)x (k) i + ω A ii ( b i i 1 j=1 A ijx (k+1) j ) n j=i+1 A ijx (k) j Iz i-te jednadžbe izrazimo x i pomoću ostalih varijabli, napravimo težinsku sredinu s trenutnim rješenjem. Za aproksimaciju x (k+1) i koristimo vrijednosti preostalih x-eva: iz k + 1-vog koraka ako smo ih već ranije izračunali: x (k+1) 1,x (k+1) 2,...,x (k+1) i 1 ; iz k-tog koraka ako ih još nismo izračunali: x (k) i+1,x(k) i+2,...,x(k) n. U implementaciji se koristi samo jedan vektor za x (k). 3. Iterativne metode za linearne sustave Osnovne iterativne metode - SOR (Succesive Over-Relaxation)
53 Zadatak 3.5 Zadatak Napišite funkciju xk = SOR(w, A, b, x0, kmax) koja vraća aproksimaciju rješenja sustava Ax = b nakon kmax koraka SOR(ω) metode s početnom iteracijom x0. Grafički odredite za koje ω R metoda SOR(ω) konvergira ako je matrica sustava A = Grafički odredite ω za kojeg je konvergencija najbrža. Riješite sustav uz b=[32; -4; 111; 160] za ω = 1 i za optimalni ω tako da bude Ax (k) b < Iterativne metode za linearne sustave Osnovne iterativne metode - SOR (Succesive Over-Relaxation)
54 Zadatak 3.5 Rješenje. 3. Iterativne metode za linearne sustave Osnovne iterativne metode - SOR (Succesive Over-Relaxation)
55 Zadatak 3.5 Rješenje. ω = 1 25 iteracija 3. Iterativne metode za linearne sustave Osnovne iterativne metode - SOR (Succesive Over-Relaxation)
56 Zadatak 3.5 Rješenje. ω = iteracija 3. Iterativne metode za linearne sustave Osnovne iterativne metode - SOR (Succesive Over-Relaxation)
57 Zadatak 3.5 Rješenje. Za ω = 1.2: 2.4 x (1) = , x(2) = x (4) = , x(5) = , x(3) =, x(15) = Iterativne metode za linearne sustave Osnovne iterativne metode - SOR (Succesive Over-Relaxation)
58 Sadržaj 1 Osnovne iterativne metode Jacobijeva metoda Gauss-Seidelova metoda JOR (Jacobi Over-Relaxation) SOR (Succesive Over-Relaxation) 2 Aproksimacije iz Krilovljevih potprostora Metoda najbržeg silaska Metoda konjugiranih smjerova Metoda konjugiranih gradijenata GMRES 3 Prekondicioniranje 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora -
59 Inverz matrice kao polinom Karakteristični polinom matrice A C n n : κ A (ξ ) := det(a ξ I) = a n ξ n + a n 1 ξ n a 1 ξ + a 0 Matrica poništava svoj karakteristični polinom: κ A (A) = a n A n + a n 1 A n a 1 A + a 0 = 0 Ako je A regularna, onda a 0 0 i A 1 = 1 a 0 ( an A n 1 + a n 1 A n a 2 A + a 1 ) Dakle, A 1 = p(a), za neki polinom stupnja n 1. Ako je Ax = b, onda x = A 1 b = p(a)b. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora -
60 Inverz matrice kao polinom Karakteristični polinom matrice A C n n : κ A (ξ ) := det(a ξ I) = a n ξ n + a n 1 ξ n a 1 ξ + a 0 Matrica poništava svoj karakteristični polinom: κ A (A) = a n A n + a n 1 A n a 1 A + a 0 = 0 Ako je A regularna, onda a 0 0 i A 1 = 1 a 0 ( an A n 1 + a n 1 A n a 2 A + a 1 ) Dakle, A 1 = p(a), za neki polinom stupnja n 1. Ako je Ax = b, onda x = A 1 b = p(a)b. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora -
61 Inverz matrice kao polinom Karakteristični polinom matrice A C n n : κ A (ξ ) := det(a ξ I) = a n ξ n + a n 1 ξ n a 1 ξ + a 0 Matrica poništava svoj karakteristični polinom: κ A (A) = a n A n + a n 1 A n a 1 A + a 0 = 0 Ako je A regularna, onda a 0 0 i A 1 = 1 a 0 ( an A n 1 + a n 1 A n a 2 A + a 1 ) Dakle, A 1 = p(a), za neki polinom stupnja n 1. Ako je Ax = b, onda x = A 1 b = p(a)b. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora -
62 Inverz matrice kao polinom Karakteristični polinom matrice A C n n : κ A (ξ ) := det(a ξ I) = a n ξ n + a n 1 ξ n a 1 ξ + a 0 Matrica poništava svoj karakteristični polinom: κ A (A) = a n A n + a n 1 A n a 1 A + a 0 = 0 Ako je A regularna, onda a 0 0 i A 1 = 1 a 0 ( an A n 1 + a n 1 A n a 2 A + a 1 ) Dakle, A 1 = p(a), za neki polinom stupnja n 1. Ako je Ax = b, onda x = A 1 b = p(a)b. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora -
63 Krilovljevi potprostori Za vektor v C n definiramo Krilovljev potprostor K k (v,a) := span{v,av,a 2 v,...,a k 1 v}. Dakle, ako je Ax = b, onda je x K n (b,a). Očekujemo da će već za k << n u prostoru K k (b,a) postojati dobre aproksimacije za x. Zašto Krilovljevi potprostori? Matrica sustava A je toliko velika ili je tako zadana da je jedina operacija koju možemo s njom izvesti oblika v Av (tzv. matvec ). Brzinu konvergencije obično mjerimo u broju operacija v Av. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora -
64 Krilovljevi potprostori Za vektor v C n definiramo Krilovljev potprostor K k (v,a) := span{v,av,a 2 v,...,a k 1 v}. Dakle, ako je Ax = b, onda je x K n (b,a). Očekujemo da će već za k << n u prostoru K k (b,a) postojati dobre aproksimacije za x. Zašto Krilovljevi potprostori? Matrica sustava A je toliko velika ili je tako zadana da je jedina operacija koju možemo s njom izvesti oblika v Av (tzv. matvec ). Brzinu konvergencije obično mjerimo u broju operacija v Av. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora -
65 Krilovljevi potprostori Za vektor v C n definiramo Krilovljev potprostor K k (v,a) := span{v,av,a 2 v,...,a k 1 v}. Dakle, ako je Ax = b, onda je x K n (b,a). Očekujemo da će već za k << n u prostoru K k (b,a) postojati dobre aproksimacije za x. Zašto Krilovljevi potprostori? Matrica sustava A je toliko velika ili je tako zadana da je jedina operacija koju možemo s njom izvesti oblika v Av (tzv. matvec ). Brzinu konvergencije obično mjerimo u broju operacija v Av. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora -
66 Sadržaj 1 Osnovne iterativne metode Jacobijeva metoda Gauss-Seidelova metoda JOR (Jacobi Over-Relaxation) SOR (Succesive Over-Relaxation) 2 Aproksimacije iz Krilovljevih potprostora Metoda najbržeg silaska Metoda konjugiranih smjerova Metoda konjugiranih gradijenata GMRES 3 Prekondicioniranje 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda najbržeg silaska
67 Metoda najbržeg silaska Oznake: x (k) k-ta iteracija e (k) = x x (k) greška u k-tom koraku r (k) = b Ax (k) rezidual u k-tom koraku Uoči: r (k) = Ae (k). Iteracije: x (k+1) = x (k) + α k (b Ax (k) ) = x (k) + α k r (k) = x (k) + α k Ae (k) Vrijednost α k ćemo odabrati tako da x (k+1) bude u nekom smislu optimalan. Uoči: e (k+1) = e (k) α k Ae (k), r (k+1) = r (k) α k Ar (k). 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda najbržeg silaska
68 Metoda najbržeg silaska Oznake: x (k) k-ta iteracija e (k) = x x (k) greška u k-tom koraku r (k) = b Ax (k) rezidual u k-tom koraku Uoči: r (k) = Ae (k). Iteracije: x (k+1) = x (k) + α k (b Ax (k) ) = x (k) + α k r (k) = x (k) + α k Ae (k) Vrijednost α k ćemo odabrati tako da x (k+1) bude u nekom smislu optimalan. Uoči: e (k+1) = e (k) α k Ae (k), r (k+1) = r (k) α k Ar (k). 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda najbržeg silaska
69 Metoda najbržeg silaska Oznake: x (k) k-ta iteracija e (k) = x x (k) greška u k-tom koraku r (k) = b Ax (k) rezidual u k-tom koraku Uoči: r (k) = Ae (k). Iteracije: x (k+1) = x (k) + α k (b Ax (k) ) = x (k) + α k r (k) = x (k) + α k Ae (k) Vrijednost α k ćemo odabrati tako da x (k+1) bude u nekom smislu optimalan. Uoči: e (k+1) = e (k) α k Ae (k), r (k+1) = r (k) α k Ar (k). 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda najbržeg silaska
70 Metoda najbržeg silaska Uoči: x (0) = x e (0) x + span{e (0) } x (1) = x (0) + α 0 Ae (0) = x e (0) + α 0 Ae (0) x + span{e (0),Ae (0) } x (2) = x (1) + α 1 Ae (1) = x (1) + α 1 A(e (0) α 0 Ae (0) ) x + span{e (0),Ae (0),A 2 e (0) }... x (k) x + K k+1 (e (0),A) 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda najbržeg silaska
71 Metoda najbržeg silaska Kako odabrati α k? e (k+1) min? Ali e (k+1) = x x (k+1), x nepoznat Definiramo A-normu i A-skalarni produkt: za simetričnu, pozitivno definitnu A i vektor v je v A := v Av, u,v A := v Au (DZ: Dokažite da su ovo zaista norma, odnosno skal. produkt.) Definirajmo f(α k ) := e (k+1) A. Cilj: naći α k tako da f(α k ) minimalno. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda najbržeg silaska
72 Metoda najbržeg silaska Kako odabrati α k? e (k+1) min? Ali e (k+1) = x x (k+1), x nepoznat Definiramo A-normu i A-skalarni produkt: za simetričnu, pozitivno definitnu A i vektor v je v A := v Av, u,v A := v Au (DZ: Dokažite da su ovo zaista norma, odnosno skal. produkt.) Definirajmo f(α k ) := e (k+1) A. Cilj: naći α k tako da f(α k ) minimalno. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda najbržeg silaska
73 Metoda najbržeg silaska Kako odabrati α k? e (k+1) min? Ali e (k+1) = x x (k+1), x nepoznat Definiramo A-normu i A-skalarni produkt: za simetričnu, pozitivno definitnu A i vektor v je v A := v Av, u,v A := v Au (DZ: Dokažite da su ovo zaista norma, odnosno skal. produkt.) Definirajmo f(α k ) := e (k+1) A. Cilj: naći α k tako da f(α k ) minimalno. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda najbržeg silaska
74 Metoda najbržeg silaska f(α k ) = (e (k+1) ) Ae (k+1) = (e (k+1) ) r (k+1) = (e (k) α k Ae (k) ) (r (k) α k Ar (k) ) = (e (k) α k r (k) ) (r (k) α k Ar (k) ) = α 2 k (r (k) ) Ar (k) 2α k (r (k) ) r (k) + (e (k) ) Ae (k) Uvjet optimalnosti: min α k 0 = f (α k ) = 2α k (r (k) ) Ar (k) 2(r (k) ) r (k) Slijedi: α k = (r (k) ) r (k) (r (k) ) Ar (k). 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda najbržeg silaska
75 Metoda najbržeg silaska f(α k ) = (e (k+1) ) Ae (k+1) = (e (k+1) ) r (k+1) = (e (k) α k Ae (k) ) (r (k) α k Ar (k) ) = (e (k) α k r (k) ) (r (k) α k Ar (k) ) = α 2 k (r (k) ) Ar (k) 2α k (r (k) ) r (k) + (e (k) ) Ae (k) Uvjet optimalnosti: min α k 0 = f (α k ) = 2α k (r (k) ) Ar (k) 2(r (k) ) r (k) Slijedi: α k = (r (k) ) r (k) (r (k) ) Ar (k). 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda najbržeg silaska
76 Metoda najbržeg silaska Algoritam (Metoda najbržeg silaska: A simetrična, poz. definitna) x (0) zadan. r (0) = b Ax (0) for k = 0,1,2,... α k = (r (k) ) r (k) (r (k) ) Ar (k) x (k+1) = x (k) + α k r (k) r (k+1) = r (k) α k Ar (k) end 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda najbržeg silaska
77 Metoda najbržeg silaska Uoči: (r (k) ) r (k+1) = (r (k) ) r (k) α k (r (k) ) Ar (k) ) = 0, tj. rezidual r (k+1) = Ae (k+1) je okomit (pazi, ne A-okomit!) na r (k), pa je e (k+1) A-okomit na r (k). Zato možemo primjeniti A-Pitagorin poučak: e (k) 2 A = e (k+1) + α k r (k) 2 = e (k+1) 2 A +α 2 k A r (k) 2 to jest, greška monotono pada. (Ako je r (k) = 0, onda je x (k) egzaktno rješenje od Ax = b.) A > e (k+1) 2, A 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda najbržeg silaska
78 Metoda najbržeg silaska Uoči: (r (k) ) r (k+1) = (r (k) ) r (k) α k (r (k) ) Ar (k) ) = 0, tj. rezidual r (k+1) = Ae (k+1) je okomit (pazi, ne A-okomit!) na r (k), pa je e (k+1) A-okomit na r (k). Zato možemo primjeniti A-Pitagorin poučak: e (k) 2 A = e (k+1) + α k r (k) 2 = e (k+1) 2 A +α 2 k A r (k) 2 to jest, greška monotono pada. (Ako je r (k) = 0, onda je x (k) egzaktno rješenje od Ax = b.) A > e (k+1) 2, A 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda najbržeg silaska
79 Metoda najbržeg silaska konvergencija Teorem (konvergencija metode najbržeg silaska) Neka je A simetrična, pozitivno definitna matrica, te neka je κ = λ max(a) λ min (A). Tada vrijedi: odnosno, e (k) A κ 1 κ + 1 e (k 1) A, e (k) A ( κ 1 κ + 1 ) k e (0) A. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda najbržeg silaska
80 Zadatak 3.6 Zadatak Napišite funkciju x=najbrzisilazak(a,b,x0) koja metodom najbržeg silaska računa aproksimaciju rješenja linearnog sustava Ax = b, uz početnu iteraciju x0. Iteracije zaustavite kada bude r (k) / b < Metodu testirajte za matricu A = UΛU, pri čemu je U slučajna ortogonalna matrica, te Λ = diag(1,2,...,100). Neka je x0 = 0, te b takav da je vektor x=[1; 1;... 1] egzaktno rješenje sustava. Usporedite e (k) sa ocjenom iz Teorema o konvergenciji. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda najbržeg silaska
81 Zadatak 3.6 Rješenje. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda najbržeg silaska
82 Sadržaj 1 Osnovne iterativne metode Jacobijeva metoda Gauss-Seidelova metoda JOR (Jacobi Over-Relaxation) SOR (Succesive Over-Relaxation) 2 Aproksimacije iz Krilovljevih potprostora Metoda najbržeg silaska Metoda konjugiranih smjerova Metoda konjugiranih gradijenata GMRES 3 Prekondicioniranje 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih smjerova
83 Metoda konjugiranih smjerova Metoda najbržeg silaska često radi korake u smjeru koji se već ranije pojavio (tj. r (k) se može ponavljati) potencijalno spora konv. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih smjerova
84 Metoda konjugiranih smjerova Rješenje: unaprijed odaberemo skup A-ortogonalnih vektora {d 0,d 1,...,d n 1 } i definiramo x (k+1) := x (k) + α k d k. Uoči: e (k+1) = e (k) α k d k, r (k+1) = r (k) α k Ad k. Skalar α k opet odaberemo tako da je e (k+1) A minimalna, tj. α k = d k r (k) d k Ad. k 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih smjerova
85 Metoda konjugiranih smjerova Rješenje: unaprijed odaberemo skup A-ortogonalnih vektora {d 0,d 1,...,d n 1 } i definiramo x (k+1) := x (k) + α k d k. Uoči: e (k+1) = e (k) α k d k, r (k+1) = r (k) α k Ad k. Skalar α k opet odaberemo tako da je e (k+1) A minimalna, tj. α k = d k r (k) d k Ad. k 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih smjerova
86 Metoda konjugiranih smjerova Lako se vidi da e (k),d 0 A = e (k),d 1 A =... = e (k),d k 1 A = 0, te e (k) span{d k,d k+1,...,d n 1 }. Preciznije, ako je e (0) = ξ 0 d 0 + ξ 1 d ξ k d k + ξ k+1 d k ξ n 1 d n 1, onda je e (k) = ξ k d k + ξ k+1 d k ξ n 1 d n 1. Dakle, e (n) = 0, tj. metoda (u egzaktnoj aritmetici) daje egzaktno rješenje u n koraka. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih smjerova
87 Metoda konjugiranih smjerova Algoritam (Metoda konjugiranih smjerova: A simetrična, poz. definitna) x (0) zadan. Odaberi d 0,d 1,...,d n 1 tako da budu A-ortogonalni. r (0) = b Ax (0) for k = 0,1,2,... α k = d k r (k) d k Ad k x (k+1) = x (k) + α k d k r (k+1) = r (k) α k Ad k end 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih smjerova
88 Metoda konjugiranih smjerova Neka svojstva: d j Ad i = 0, i j d j r (k) = d j Ae (k) = 0, j < k d j r (0) = d j r (1) =... = d j r (j) α k = d k r (0) d k Ad k Kako odabrati d 0,d 1,...,d n 1? A-Gram-Schmidtovim postupkom na linearno nezavisne vektore u 0,u 1,...,u n 1 : d k = u k β 0 d 0 β 1 d 1... β k 1 d k 1, β j = u k,d j A = d d j,d j A j Au k d j Ad j. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih smjerova
89 Metoda konjugiranih smjerova Neka svojstva: d j Ad i = 0, i j d j r (k) = d j Ae (k) = 0, j < k d j r (0) = d j r (1) =... = d j r (j) α k = d k r (0) d k Ad k Kako odabrati d 0,d 1,...,d n 1? A-Gram-Schmidtovim postupkom na linearno nezavisne vektore u 0,u 1,...,u n 1 : d k = u k β 0 d 0 β 1 d 1... β k 1 d k 1, β j = u k,d j A = d d j,d j A j Au k d j Ad j. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih smjerova
90 Zadatak 3.7 Zadatak Napišite funkciju Q=mgsA(A,X) koja modificiranim A-Gram-Schmidtovim postupkom redom A-ortogonalizira stupce matrice X i sprema ih kao stupce matrice Q. Napišite funkciju x=konjugiranismjerovi(a,b,x0,d) koja metodom konjugiranih smjerova računa aproksimaciju rješenja linearnog sustava Ax = b, uz početnu iteraciju x0. Iteracije zaustavite kada bude r (k) / b < Konjugirani smjerovi su stupci matrice D. Metodu testirajte za matricu A = UΛU, pri čemu je U slučajna ortogonalna matrica, te Λ = diag(1,2,...,100). Neka je x0 = 0, te b takav da je vektor x=[1; 1;... 1] egzaktno rješenje sustava. Usporedite sa metodom najbržeg silaska. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih smjerova
91 Sadržaj 1 Osnovne iterativne metode Jacobijeva metoda Gauss-Seidelova metoda JOR (Jacobi Over-Relaxation) SOR (Succesive Over-Relaxation) 2 Aproksimacije iz Krilovljevih potprostora Metoda najbržeg silaska Metoda konjugiranih smjerova Metoda konjugiranih gradijenata GMRES 3 Prekondicioniranje 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih gradijenata
92 Metoda konjugiranih gradijenata Metoda konjugiranih gradijenata (CG): metoda konjugiranih smjerova d 0,...,d n 1 dobivamo A-Gram-Schmidtovim postupkom na vektorima r (0),r (1),...,r (n 1). Pokazat ćemo: d k = r (k) β k 1 d k 1, β k 1 = (r (k) ) r (k) (r (k 1) ) r (k 1) tj. β 0 = β 1 =... = β k 2 = 0 u A-Gram-Schmidtovom postupku d k = r (k) β 0 d 0 β 1 d 1... β k 1 d k Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih gradijenata
93 Metoda konjugiranih gradijenata Metoda konjugiranih gradijenata (CG): metoda konjugiranih smjerova d 0,...,d n 1 dobivamo A-Gram-Schmidtovim postupkom na vektorima r (0),r (1),...,r (n 1). Pokazat ćemo: d k = r (k) β k 1 d k 1, β k 1 = (r (k) ) r (k) (r (k 1) ) r (k 1) tj. β 0 = β 1 =... = β k 2 = 0 u A-Gram-Schmidtovom postupku d k = r (k) β 0 d 0 β 1 d 1... β k 1 d k Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih gradijenata
94 Metoda konjugiranih gradijenata Svojstvo A-Gram-Schmidtovog postupka: span{d 0,d 1,...,d k 1 } = span{r (0),r (1),...,r (k 1) }. Kako je CG metoda konjugiranih smjerova, vrijedi d j r (k) = 0, za j < k, pa onda i (r (j) ) r (k) = 0, i j. d k = r (k) β 0 d 0 β 1 d 1... β k 1 d k 1, β j = d j Ar (k) d j Ad j Uoči: (r (j+1) ) r (k) = (r (j) ) r (k) α j d j Ar (k), pa je d j Ar (k) = 0, j < k 1 d k 1 Ar (k) = (r (k) ) r (k) + (r (k 1) ) r (k) α k 1 = (r (k) ) r (k) α k 1 = (r (k) ) r (k) α k 1, 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih gradijenata
95 Metoda konjugiranih gradijenata Slijedi β j = 0, za j = 0,1,...,k 2, te β k 1 = (r (k) ) r (k) α k 1 d k 1 Ad = (r (k) ) r (k) k 1 d k 1 r (k 1) = (r (k) ) r (k) (r (k 1) ) r (k 1), jer je α k 1 = d k 1 r (k 1) d k 1 Ad k 1, te d k 1 = r (k 1) ξ d k 2, a d k 2 r (k 1) = 0. Slično, zbog d k r (k) = (r (k) ) r (k), možemo pisati α k = d k r (k) d k Ad k = (r (k) ) r (k) d k Ad. k 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih gradijenata
96 Metoda konjugiranih gradijenata Algoritam (Metoda konjugiranih gradijenata: A simetrična, poz. definitna) x (0) zadan. d 0 = r (0) = b Ax (0) for k = 0,1,2,... α k = (r (k) ) r (k) d k Ad k x (k+1) = x (k) + α k d k r (k+1) = r (k) α k Ad k β k = (r (k+1) ) r (k+1) (r (k) ) r (k) d k+1 = r (k+1) β k d k end 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih gradijenata
97 Metoda konjugiranih gradijenata konvergencija Može se pokazati da vektor e (k) ima najmanju A-normu od svih vektora iz mnogostrukosti Možemo pisati: e (0) + span{ae (0),A 2 e (0),...,A k e (0) }. e (k) = e (0) + τ 1 Ae (0) + τ 2 A 2 e (0) τ k A k e (0) = π(a)e (0), za neki polinom π P k stupnja k takav da je π(0) = 1. Dakle, ako je ˆπ polinom za kojeg se postiže π(a)e (0) A, onda je e (k) = ˆπ(A)e (0). min π P k π(0)=1 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih gradijenata
98 Metoda konjugiranih gradijenata konvergencija Može se pokazati da vektor e (k) ima najmanju A-normu od svih vektora iz mnogostrukosti Možemo pisati: e (0) + span{ae (0),A 2 e (0),...,A k e (0) }. e (k) = e (0) + τ 1 Ae (0) + τ 2 A 2 e (0) τ k A k e (0) = π(a)e (0), za neki polinom π P k stupnja k takav da je π(0) = 1. Dakle, ako je ˆπ polinom za kojeg se postiže π(a)e (0) A, onda je e (k) = ˆπ(A)e (0). min π P k π(0)=1 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih gradijenata
99 Metoda konjugiranih gradijenata konvergencija Može se pokazati da vektor e (k) ima najmanju A-normu od svih vektora iz mnogostrukosti Možemo pisati: e (0) + span{ae (0),A 2 e (0),...,A k e (0) }. e (k) = e (0) + τ 1 Ae (0) + τ 2 A 2 e (0) τ k A k e (0) = π(a)e (0), za neki polinom π P k stupnja k takav da je π(0) = 1. Dakle, ako je ˆπ polinom za kojeg se postiže π(a)e (0) A, onda je e (k) = ˆπ(A)e (0). min π P k π(0)=1 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih gradijenata
100 Metoda konjugiranih gradijenata konvergencija Za poz.def. A = UΛU je A 1/2 = UΛ 1/2 U i π(a) = Uπ(Λ)U, pa imamo: e (k) A = min π(a)e (0) A π P k π(0)=1 = min π P k π(0)=1 = min π P k π(0)=1 = min π P k π(0)=1 min π P k π(0)=1 = min π P k π(0)=1 (e (0) ) π(a) Aπ(A)e (0) (e (0) ) π(a) A 1/2 A 1/2 π(a)e (0) A 1/2 π(a)e (0) 2 = min π P k π(0)=1 π(a) 2 A 1/2 e (0) 2 π(λ) 2 e (0) A π(a)a 1/2 e (0) 2 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih gradijenata
101 Metoda konjugiranih gradijenata konvergencija Vrijedi: min π P k π(0)=1 π(λ) 2 = min π P k π(0)=1 max π(λ). λ Λ(A) Ocjenu za e (k) dobivamo tako da za π uvrstimo neki konkretni polinom stupnja k za kojeg vrijedi π(0) = 1. Uvrštavanjem Čebiševljevog polinoma za interval [λ min (A),λ max (A)] dobivamo: Teorem (konvergencija metode konjugiranih gradijenata) Neka je A simetrična, pozitivno definitna matrica, te neka je κ = λ max(a) λ min (A). Tada: ( ) k e (k) A κ 1 2 e (0) A. κ Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih gradijenata
102 Zadatak 3.8 Zadatak Napišite funkciju x=cg(a,b,x0) koja CG-metodom računa aproksimaciju rješenja linearnog sustava Ax = b, uz početnu iteraciju x0. Iteracije zaustavite kada bude r (k) / b < Metodu testirajte za matricu A = UΛU, pri čemu je U slučajna ortogonalna matrica, te (a) Λ = diag(1,2 2,3 2,...,100 2 ). (b) Λ = diag(1,2,3,...,100). (c) Λ = diag(1,1,3,3,5,5,...,97,97,99,100). (d) Λ = diag(1,...,1,20,...,20,...,90,100,...,100). }{{}}{{}}{{} Neka je x0 = 0, te b takav da je vektor x=[1; 1;... 1] egzaktno rješenje sustava. Usporedite sa ocjenom iz teorema i objasnite dobivene rezultate! 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih gradijenata
103 Zadatak 3.8 Rješenje. (a) 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih gradijenata
104 Zadatak 3.8 Rješenje. (b) 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih gradijenata
105 Zadatak 3.8 Rješenje. (c) 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih gradijenata
106 Zadatak 3.8 Rješenje. (d) 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - Metoda konjugiranih gradijenata
107 Sadržaj 1 Osnovne iterativne metode Jacobijeva metoda Gauss-Seidelova metoda JOR (Jacobi Over-Relaxation) SOR (Succesive Over-Relaxation) 2 Aproksimacije iz Krilovljevih potprostora Metoda najbržeg silaska Metoda konjugiranih smjerova Metoda konjugiranih gradijenata GMRES 3 Prekondicioniranje 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
108 GMRES CG: simetrična, pozitivno definitna matrica sustava x (k) x (0) + K k 1 (r (0),A) r (k) = min π P k π(a)r (0) π(0)=1 A kratke rekurzivne formule za update x (k), r (k) ; ne treba baza za K k 1 (r (0),A) GMRES (Generalized Minimal RESidual): proizvoljna (regularna) matrica sustava x (k) x (0) + K k 1 (r (0),A) r (k) = min π P k π(a)r (0) π(0)=1 2 složeniji izračun x (k) ; treba baza za K k 1 (r (0),A) 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
109 GMRES CG: simetrična, pozitivno definitna matrica sustava x (k) x (0) + K k 1 (r (0),A) r (k) = min π P k π(a)r (0) π(0)=1 A kratke rekurzivne formule za update x (k), r (k) ; ne treba baza za K k 1 (r (0),A) GMRES (Generalized Minimal RESidual): proizvoljna (regularna) matrica sustava x (k) x (0) + K k 1 (r (0),A) r (k) = min π P k π(a)r (0) π(0)=1 2 složeniji izračun x (k) ; treba baza za K k 1 (r (0),A) 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
110 GMRES [r (0),Ar (0),A 2 r (0),...,A k 1 r (0) ] je loša baza za K k (r (0),A). Ortonormirana baza je numerički stabilna: gradimo redom o-n baze za K 1 K 2 K 3... pretp. da smo dosad sagradili V (k) = [v 1 v 2... v k ] o-n bazu za K k t.d. je K j = span{v 1,...,v j }, za sve j k. može se pokazati da je K k+1 = span{v (k),av k }. Gram-Schmidtovim algoritmom ortogonaliziramo Av k na V (k) : h k+1,k v k+1 = Av k h 1,k v 1 h 2,k v 2... h k,k v k. stavimo V (k+1) = [V (k) v k+1 ]. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
111 GMRES [r (0),Ar (0),A 2 r (0),...,A k 1 r (0) ] je loša baza za K k (r (0),A). Ortonormirana baza je numerički stabilna: gradimo redom o-n baze za K 1 K 2 K 3... pretp. da smo dosad sagradili V (k) = [v 1 v 2... v k ] o-n bazu za K k t.d. je K j = span{v 1,...,v j }, za sve j k. može se pokazati da je K k+1 = span{v (k),av k }. Gram-Schmidtovim algoritmom ortogonaliziramo Av k na V (k) : h k+1,k v k+1 = Av k h 1,k v 1 h 2,k v 2... h k,k v k. stavimo V (k+1) = [V (k) v k+1 ]. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
112 GMRES [r (0),Ar (0),A 2 r (0),...,A k 1 r (0) ] je loša baza za K k (r (0),A). Ortonormirana baza je numerički stabilna: gradimo redom o-n baze za K 1 K 2 K 3... pretp. da smo dosad sagradili V (k) = [v 1 v 2... v k ] o-n bazu za K k t.d. je K j = span{v 1,...,v j }, za sve j k. može se pokazati da je K k+1 = span{v (k),av k }. Gram-Schmidtovim algoritmom ortogonaliziramo Av k na V (k) : h k+1,k v k+1 = Av k h 1,k v 1 h 2,k v 2... h k,k v k. stavimo V (k+1) = [V (k) v k+1 ]. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
113 GMRES [r (0),Ar (0),A 2 r (0),...,A k 1 r (0) ] je loša baza za K k (r (0),A). Ortonormirana baza je numerički stabilna: gradimo redom o-n baze za K 1 K 2 K 3... pretp. da smo dosad sagradili V (k) = [v 1 v 2... v k ] o-n bazu za K k t.d. je K j = span{v 1,...,v j }, za sve j k. može se pokazati da je K k+1 = span{v (k),av k }. Gram-Schmidtovim algoritmom ortogonaliziramo Av k na V (k) : h k+1,k v k+1 = Av k h 1,k v 1 h 2,k v 2... h k,k v k. stavimo V (k+1) = [V (k) v k+1 ]. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
114 GMRES [r (0),Ar (0),A 2 r (0),...,A k 1 r (0) ] je loša baza za K k (r (0),A). Ortonormirana baza je numerički stabilna: gradimo redom o-n baze za K 1 K 2 K 3... pretp. da smo dosad sagradili V (k) = [v 1 v 2... v k ] o-n bazu za K k t.d. je K j = span{v 1,...,v j }, za sve j k. može se pokazati da je K k+1 = span{v (k),av k }. Gram-Schmidtovim algoritmom ortogonaliziramo Av k na V (k) : h k+1,k v k+1 = Av k h 1,k v 1 h 2,k v 2... h k,k v k. stavimo V (k+1) = [V (k) v k+1 ]. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
115 GMRES Definiramo ovu gornje-hessenbergovu matricu (reda (k + 1) k): H (k+1) = h 1,1 h 1,2 h 1,3 h 1,4... h 1,k 1 h 1,k h 2,1 h 2,2 h 2,3 h 2,4... h 2,k 1 h 2,k h 3,2 h 3,3 h 3,4... h 3,k 1 h 3,k h 4,3 h 4,4... h 4,k 1 h 4,k. h k,k 1 h k,k h k+1,k Tada: AV (k) = V (k+1) H (k+1), tj. A[v 1 v 2... v k ] = [v 1 v 2... v k v k+1 ]H (k+1) j-ti stupac: Av j je linearna kombinacija v 1,v 2,...,v j. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
116 GMRES Algoritam (Arnoldijev algoritam ortonormirana baza za K k (r (0),A)) v 1 = r (0) / r (0) ; for k = 1,2,... z = Av k ; for j = 1,2,...,k h j,k = v j z; z = z h j,k v j ; end h k+1,k = z ; if (h k+1,k == 0) stop v k+1 = z/h k+1,k ; end 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
117 GMRES Kada imamo bazu za K k (r (0),A): biramo x (k) x (0) + K k (r (0),A), tj. x (k) = x (0) + V (k) y, za neko y R k. cilj: r (k) min. r (k) b = Ax (k) = b A(x (0) + V (k) y) = r (0) AV (k) y = r (0) V (k+1) H (k+1) y = r (0) V (k+1) e1 V (k+1) H (k+1) y = V (k+1) ( r (0) e1 H (k+1) y) = r (0) e1 H (k+1) r (0) y = min e 1 H (k+1) y y 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
118 GMRES Kada imamo bazu za K k (r (0),A): biramo x (k) x (0) + K k (r (0),A), tj. x (k) = x (0) + V (k) y, za neko y R k. cilj: r (k) min. r (k) b = Ax (k) = b A(x (0) + V (k) y) = r (0) AV (k) y = r (0) V (k+1) H (k+1) y = r (0) V (k+1) e1 V (k+1) H (k+1) y = V (k+1) ( r (0) e1 H (k+1) y) = r (0) e1 H (k+1) r (0) y = min e 1 H (k+1) y y 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
119 GMRES Algoritam (GMRES) β = r (0) ; for k = 1,2,... Izračunaj V (k+1) i H (k+1) (jedan korak Arnoldijevog algoritma); Riješi problem najmanjih kvadrata min y β e 1 H (k+1) y ; x (k) = x (0) + V (k) y; if (x (k) dovoljno dobar) stop; end problem najmanjih kvadrata sa Hessenbergovog matricom se može riješiti puno efikasnije nego sa proizvoljnom; moguće je i bez rješavanja problema najmanjih kvadrata izračunati r (k), pa x (k) računamo tek kad je r (k) dovoljno malen. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
120 GMRES Algoritam (GMRES) β = r (0) ; for k = 1,2,... Izračunaj V (k+1) i H (k+1) (jedan korak Arnoldijevog algoritma); Riješi problem najmanjih kvadrata min y β e 1 H (k+1) y ; x (k) = x (0) + V (k) y; if (x (k) dovoljno dobar) stop; end problem najmanjih kvadrata sa Hessenbergovog matricom se može riješiti puno efikasnije nego sa proizvoljnom; moguće je i bez rješavanja problema najmanjih kvadrata izračunati r (k), pa x (k) računamo tek kad je r (k) dovoljno malen. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
121 GMRES konvergencija Pretp. A dijagonizabilna, tj. A = XΛX 1. r (k) = min π P k π(0)=1 = min π P k π(0)=1 min π P k π(0)=1 π(a)r (0) = κ 2 (X) ( min π P k π(0)=1 Xπ(Λ)X 1 r (0) X π(λ) X 1 r (0) Λ C, optimalan π je teško pronaći/ocijeniti. π(λ) ) r (0) 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
122 GMRES konvergencija Teorem (Greenbaum, Pták, Strakoš) Neka je zadan niz a 0 a 1... a n 1 > 0, te neka su λ 1,...,λ n proizvoljni kompleksni brojevi. Tada postoji matrica A čije su svojstvene vrijednosti λ 1,...,λ n, te vektor b takvi da reziduali GMRES metode za sustav Ax = b zadovoljavaju r (k) = ak, za sve k = 0,1,...,n Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
123 Zadatak 3.9 Zadatak Napišite funkciju x=gmres(a,b,x0) koja GMRES-metodom računa aproksimaciju rješenja linearnog sustava Ax = b, uz početnu iteraciju x0. Iteracije zaustavite kada bude r (k) / r (0) < Neka je a k = (12 k/10) 2, za k = 0,1,...,99. Prona dite matricu A reda 100 i vektor b takve da reziduali GMRES metode za sustav Ax = b zadovoljavaju r (k) = a k. Testirajte funkciju GMRES na ovom sustavu. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
124 Zadatak 3.9 Rješenje. Stavimo npr. λ j = cos 2πj 2πj + i sin , j = 1,...,100. Definiramo: g k = ak 1 2 a2 k, k = 1,2,...,100; (a 100 = 0); Q = [q 1 q 2...,q 100 ] slučajna ortogonalna matrica; b = g 1 q 1 + g 2 q g 100 q 100 ; B = [b v 1... v 99 ]; p(z) = z j=0 α j z j = (z λ 1 )(z λ 2 )...(z λ n ) = z 100 1; α α 1 A = B B 1 1 α Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
125 Zadatak 3.9 Rješenje. Stavimo npr. λ j = cos 2πj 2πj + i sin , j = 1,...,100. Definiramo: g k = ak 1 2 a2 k, k = 1,2,...,100; (a 100 = 0); Q = [q 1 q 2...,q 100 ] slučajna ortogonalna matrica; b = g 1 q 1 + g 2 q g 100 q 100 ; B = [b v 1... v 99 ]; p(z) = z j=0 α j z j = (z λ 1 )(z λ 2 )...(z λ n ) = z 100 1; α α 1 A = B B 1 1 α Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
126 Zadatak 3.9 Rješenje. Stavimo npr. λ j = cos 2πj 2πj + i sin , j = 1,...,100. Definiramo: g k = ak 1 2 a2 k, k = 1,2,...,100; (a 100 = 0); Q = [q 1 q 2...,q 100 ] slučajna ortogonalna matrica; b = g 1 q 1 + g 2 q g 100 q 100 ; B = [b v 1... v 99 ]; p(z) = z j=0 α j z j = (z λ 1 )(z λ 2 )...(z λ n ) = z 100 1; α α 1 A = B B 1 1 α Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
127 Zadatak 3.9 Rješenje. Stavimo npr. λ j = cos 2πj 2πj + i sin , j = 1,...,100. Definiramo: g k = ak 1 2 a2 k, k = 1,2,...,100; (a 100 = 0); Q = [q 1 q 2...,q 100 ] slučajna ortogonalna matrica; b = g 1 q 1 + g 2 q g 100 q 100 ; B = [b v 1... v 99 ]; p(z) = z j=0 α j z j = (z λ 1 )(z λ 2 )...(z λ n ) = z 100 1; α α 1 A = B B 1 1 α Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
128 Zadatak 3.9 Rješenje. Stavimo npr. λ j = cos 2πj 2πj + i sin , j = 1,...,100. Definiramo: g k = ak 1 2 a2 k, k = 1,2,...,100; (a 100 = 0); Q = [q 1 q 2...,q 100 ] slučajna ortogonalna matrica; b = g 1 q 1 + g 2 q g 100 q 100 ; B = [b v 1... v 99 ]; p(z) = z j=0 α j z j = (z λ 1 )(z λ 2 )...(z λ n ) = z 100 1; α α 1 A = B B 1 1 α Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
129 Zadatak 3.9 Rješenje. Stavimo npr. λ j = cos 2πj 2πj + i sin , j = 1,...,100. Definiramo: g k = ak 1 2 a2 k, k = 1,2,...,100; (a 100 = 0); Q = [q 1 q 2...,q 100 ] slučajna ortogonalna matrica; b = g 1 q 1 + g 2 q g 100 q 100 ; B = [b v 1... v 99 ]; p(z) = z j=0 α j z j = (z λ 1 )(z λ 2 )...(z λ n ) = z 100 1; α α 1 A = B B 1 1 α Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
130 Zadatak 3.9 Rješenje. Stavimo npr. λ j = cos 2πj 2πj + i sin , j = 1,...,100. Definiramo: g k = ak 1 2 a2 k, k = 1,2,...,100; (a 100 = 0); Q = [q 1 q 2...,q 100 ] slučajna ortogonalna matrica; b = g 1 q 1 + g 2 q g 100 q 100 ; B = [b v 1... v 99 ]; p(z) = z j=0 α j z j = (z λ 1 )(z λ 2 )...(z λ n ) = z 100 1; α α 1 A = B B 1 1 α Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
131 Zadatak 3.9 Rješenje. 3. Iterativne metode za linearne sustave Aproksimacije iz Krilovljevih potprostora - GMRES
132 Sadržaj 1 Osnovne iterativne metode Jacobijeva metoda Gauss-Seidelova metoda JOR (Jacobi Over-Relaxation) SOR (Succesive Over-Relaxation) 2 Aproksimacije iz Krilovljevih potprostora Metoda najbržeg silaska Metoda konjugiranih smjerova Metoda konjugiranih gradijenata GMRES 3 Prekondicioniranje 3. Iterativne metode za linearne sustave Prekondicioniranje -
133 Prekondicioniranje Prekondicioniranje modifikacija početnog sustava Ax = b koja ubrzava metodu za rješavanje sustava. Umjesto Ax = b, rješavamo M 1 Ax = M 1 b. Kada iterativna metoda treba izračunati z = M 1 Av, to radimo ovako: (1) t = Av; (2) Riješi sustav Mz = t. Cilj odabrati M tako da: M A u nekom smislu (M 1 A I). Sustavi tipa Mz = t se mogu jako brzo riješiti. CG, GMRES npr. κ(m 1 A) κ(a) ili Λ(M 1 A) koncentriran oko jedne točke. 3. Iterativne metode za linearne sustave Prekondicioniranje -
134 Prekondicioniranje Prekondicioniranje modifikacija početnog sustava Ax = b koja ubrzava metodu za rješavanje sustava. Umjesto Ax = b, rješavamo M 1 Ax = M 1 b. Kada iterativna metoda treba izračunati z = M 1 Av, to radimo ovako: (1) t = Av; (2) Riješi sustav Mz = t. Cilj odabrati M tako da: M A u nekom smislu (M 1 A I). Sustavi tipa Mz = t se mogu jako brzo riješiti. CG, GMRES npr. κ(m 1 A) κ(a) ili Λ(M 1 A) koncentriran oko jedne točke. 3. Iterativne metode za linearne sustave Prekondicioniranje -
135 Prekondicioniranje Prekondicioniranje modifikacija početnog sustava Ax = b koja ubrzava metodu za rješavanje sustava. Umjesto Ax = b, rješavamo M 1 Ax = M 1 b. Kada iterativna metoda treba izračunati z = M 1 Av, to radimo ovako: (1) t = Av; (2) Riješi sustav Mz = t. Cilj odabrati M tako da: M A u nekom smislu (M 1 A I). Sustavi tipa Mz = t se mogu jako brzo riješiti. CG, GMRES npr. κ(m 1 A) κ(a) ili Λ(M 1 A) koncentriran oko jedne točke. 3. Iterativne metode za linearne sustave Prekondicioniranje -
136 Prekondicioniranje dijagonalnom matricom M = dijagonala matrice A. Ako je A pozitivno definitna, onda možemo rješavati i gdje je D matrica iz ovog Teorema: Teorem (Van der Sluis) Ax = b DADy = Db, x = Dy, Neka je A pozitivno definitna matrica i D = diag( 1/A 1,1, 1/A 2,2,..., 1/A n,n ). Tada: κ(dad) n min D κ( A ), gdje je D skup svih dijagonalnih matrica sa pozitivnim elementima dijagonale. 3. Iterativne metode za linearne sustave Prekondicioniranje -
137 Prekondicioniranje simetričnih matrica Ako A simetrična, onda M 1 A ne mora biti simetrična. Ali, ako M = LL, onda M 1 Ax = M 1 b L L 1 Ax = L L 1 b L 1 AL y = L 1 b, uz x = L y. Sada je matrica sustava L 1 AL simetrična. Uoči: matrice M 1 A i L 1 AL su slične, pa su očuvana svojstva konvergencije koja ovise o spektru matrice sustava. 3. Iterativne metode za linearne sustave Prekondicioniranje -
138 Prekondicioniranje pozitivno definitnih matrica Kako dobiti M = LL? Ako A pozitivno definitna npr. incomplete Cholesky. MATLAB: R=cholinc(A, 0 ); L=R ; Algoritam (incomplete Cholesky) for i = 1,2,...,n L i,i = A i,i i 1 k=1 L2 i,k for j = i + 1,...,n if (A i,j 0) L j,i = (A i,j i 1 k=1 L i,kl j,k )/L i,i else L j,i = 0 end end Uoči: struktura nula u matrici L je ista kao stuktura nula u (donjem trokutu od) A! 3. Iterativne metode za linearne sustave Prekondicioniranje -
139 Prekondicioniranje u CG Ponekad M je pozitivno definitna, ali nije zadana u formi M = LL. Želimo verziju CG za sustav L 1 AL y = L 1 b koja ne koristi L već samo M. Neka CG za L 1 AL x = L 1 b koristi x (k), r (k), dk α k,β k. Uvedimo oznake: x (k) = L x (k), r (k) p = L r (k), d k = L dk. 3. Iterativne metode za linearne sustave Prekondicioniranje -
140 Prekondicioniranje u CG Ponekad M je pozitivno definitna, ali nije zadana u formi M = LL. Želimo verziju CG za sustav L 1 AL y = L 1 b koja ne koristi L već samo M. Neka CG za L 1 AL x = L 1 b koristi x (k), r (k), dk α k,β k. Uvedimo oznake: x (k) = L x (k), r (k) p = L r (k), d k = L dk. 3. Iterativne metode za linearne sustave Prekondicioniranje -
141 Prekondicioniranje u CG Tada: x (k+1) = L x (k+1) = L ( x (k) + α k dk ) = x (k) + α k d k r (k+1) = L r (k+1) = L( r (k) α k L 1 AL dk ) = r (k) α k Ad k d k+1 = L dk+1 = L ( r (k+1) β k dk ) = L L 1 r (k+1) β k d k α k = = M 1 r (k+1) β k d k r (k) ( r (k) ) d = (r (k) ) L L 1 r (k) k (L 1 AL ) dk d k Ad k β k = ( r (k+1) ) r (k+1) ( r (k) = (r (k+1) ) M 1 r (k+1) ) r (k) (r (k) ) M 1 r (k) = (r (k) ) M 1 r (k) d k Ad k 3. Iterativne metode za linearne sustave Prekondicioniranje -
142 Metoda konjugiranih gradijenata sa prekondicioniranjem Algoritam (CG sa prekondicioniranjem: A, M simetrične, poz. definitne) x (0) zadan; r (0) = b Ax (0) ; Riješi sustav Mp 0 = r (0) ; d 0 = p 0 ; for k = 0,1,2,... α k = (r (k) ) p k d k Ad ; k x (k+1) = x (k) + α k d k ; r (k+1) = r (k) α k Ad k ; Riješi sustav Mp k+1 = r (k+1) ; β k = (r (k+1) ) p k+1 (r (k) ) p k ; d k+1 = p k+1 β k d k ; end 3. Iterativne metode za linearne sustave Prekondicioniranje -
143 Zadatak 3.10 Zadatak Napišite funkciju x=cg_precond(a,m,b,x0) koja CG-metodom računa aproksimaciju rješenja linearnog sustava Ax = b, uz početnu iteraciju x0 i matricu prekondicioniranja M. Iteracije zaustavite kada bude b Ax (k) / b Ax (0) < Testirajte brzinu konvergencije: bez prekondicioniranja, uz prekondicioniranje dijagonalnom matricom, uz prekondicioniranje incomplete Cholesky faktorizacijom, ako je matrica sustava Ax = b Stieltjesova matrica iz datoteke stieltjes.mat. Neka je desna strana takva da je rješenje x=[ ]. 3. Iterativne metode za linearne sustave Prekondicioniranje -
144 Zadatak 3.10 Rješenje. spy(a); 3. Iterativne metode za linearne sustave Prekondicioniranje -
145 Zadatak 3.10 Rješenje. 3. Iterativne metode za linearne sustave Prekondicioniranje -
Linearna algebra 2 prvi kolokvij,
Linearna algebra 2 prvi kolokvij, 27.. 20.. Za koji cijeli broj t je funkcija f : R 4 R 4 R definirana s f(x, y) = x y (t + )x 2 y 2 + x y (t 2 + t)x 4 y 4, x = (x, x 2, x, x 4 ), y = (y, y 2, y, y 4 )
Διαβάστε περισσότεραM086 LA 1 M106 GRP. Tema: Baza vektorskog prostora. Koordinatni sustav. Norma. CSB nejednakost
M086 LA 1 M106 GRP Tema: CSB nejednakost. 19. 10. 2017. predavač: Rudolf Scitovski, Darija Marković asistent: Darija Brajković, Katarina Vincetić P 1 www.fizika.unios.hr/grpua/ 1 Baza vektorskog prostora.
Διαβάστε περισσότεραIterativne metode - vježbe
Iterativne metode - vježbe 5. Numeričke metode za ODJ Zvonimir Bujanović Prirodoslovno-matematički fakultet - Matematički odjel 21. studenog 2010. Sadržaj 1 Eulerove metode (forward i backward). Trapezna
Διαβάστε περισσότεραOperacije s matricama
Linearna algebra I Operacije s matricama Korolar 3.1.5. Množenje matrica u vektorskom prostoru M n (F) ima sljedeća svojstva: (1) A(B + C) = AB + AC, A, B, C M n (F); (2) (A + B)C = AC + BC, A, B, C M
Διαβάστε περισσότερα1 Promjena baze vektora
Promjena baze vektora Neka su dane dvije različite uredene baze u R n, označimo ih s A = (a, a,, a n i B = (b, b,, b n Svaki vektor v R n ima medusobno različite koordinatne zapise u bazama A i B Zapis
Διαβάστε περισσότεραLinearna algebra 2 prvi kolokvij,
1 2 3 4 5 Σ jmbag smjer studija Linearna algebra 2 prvi kolokvij, 7. 11. 2012. 1. (10 bodova) Neka je dano preslikavanje s : R 2 R 2 R, s (x, y) = (Ax y), pri čemu je A: R 2 R 2 linearan operator oblika
Διαβάστε περισσότεραNumerička matematika 2. kolokvij (1. srpnja 2009.)
Numerička matematika 2. kolokvij (1. srpnja 29.) Zadatak 1 (1 bodova.) Teorijsko pitanje. (A) Neka je G R m n, uz m n, pravokutna matrica koja ima puni rang po stupcima, tj. rang(g) = n. (a) Napišite puni
Διαβάστε περισσότερα7 Algebarske jednadžbe
7 Algebarske jednadžbe 7.1 Nultočke polinoma Skup svih polinoma nad skupom kompleksnih brojeva označavamo sa C[x]. Definicija. Nultočka polinoma f C[x] je svaki kompleksni broj α takav da je f(α) = 0.
Διαβάστε περισσότεραa M a A. Može se pokazati da je supremum (ako postoji) jedinstven pa uvodimo oznaku sup A.
3 Infimum i supremum Definicija. Neka je A R. Kažemo da je M R supremum skupa A ako je (i) M gornja meda skupa A, tj. a M a A. (ii) M najmanja gornja meda skupa A, tj. ( ε > 0)( a A) takav da je a > M
Διαβάστε περισσότεραMatematička analiza 1 dodatni zadaci
Matematička analiza 1 dodatni zadaci 1. Ispitajte je li funkcija f() := 4 4 5 injekcija na intervalu I, te ako jest odredite joj sliku i inverz, ako je (a) I = [, 3), (b) I = [1, ], (c) I = ( 1, 0].. Neka
Διαβάστε περισσότεραDijagonalizacija operatora
Dijagonalizacija operatora Problem: Može li se odrediti baza u kojoj zadani operator ima dijagonalnu matricu? Ova problem je povezan sa sljedećim pojmovima: 1 Karakteristični polinom operatora f 2 Vlastite
Διαβάστε περισσότεραElementi spektralne teorije matrica
Elementi spektralne teorije matrica Neka je X konačno dimenzionalan vektorski prostor nad poljem K i neka je A : X X linearni operator. Definicija. Skalar λ K i nenula vektor u X se nazivaju sopstvena
Διαβάστε περισσότεραELEKTROTEHNIČKI ODJEL
MATEMATIKA. Neka je S skup svih živućih državljana Republike Hrvatske..04., a f preslikavanje koje svakom elementu skupa S pridružuje njegov horoskopski znak (bez podznaka). a) Pokažite da je f funkcija,
Διαβάστε περισσότεραSISTEMI NELINEARNIH JEDNAČINA
SISTEMI NELINEARNIH JEDNAČINA April, 2013 Razni zapisi sistema Skalarni oblik: Vektorski oblik: F = f 1 f n f 1 (x 1,, x n ) = 0 f n (x 1,, x n ) = 0, x = (1) F(x) = 0, (2) x 1 0, 0 = x n 0 Definicije
Διαβάστε περισσότεραINTEGRALNI RAČUN. Teorije, metodike i povijest infinitezimalnih računa. Lucija Mijić 17. veljače 2011.
INTEGRALNI RAČUN Teorije, metodike i povijest infinitezimalnih računa Lucija Mijić lucija@ktf-split.hr 17. veljače 2011. Pogledajmo Predstavimo gornju sumu sa Dodamo još jedan Dobivamo pravokutnik sa Odnosno
Διαβάστε περισσότερα2 tg x ctg x 1 = =, cos 2x Zbog četvrtog kvadranta rješenje je: 2 ctg x
Zadatak (Darjan, medicinska škola) Izračunaj vrijednosti trigonometrijskih funkcija broja ako je 6 sin =,,. 6 Rješenje Ponovimo trigonometrijske funkcije dvostrukog kuta! Za argument vrijede sljedeće formule:
Διαβάστε περισσότεραTRIGONOMETRIJSKE FUNKCIJE I I.1.
TRIGONOMETRIJSKE FUNKCIJE I I Odredi na brojevnoj trigonometrijskoj kružnici točku Et, za koju je sin t =,cost < 0 Za koje realne brojeve a postoji realan broj takav da je sin = a? Izračunaj: sin π tg
Διαβάστε περισσότεραradni nerecenzirani materijal za predavanja R(f) = {f(x) x D}
Matematika 1 Funkcije radni nerecenzirani materijal za predavanja Definicija 1. Neka su D i K bilo koja dva neprazna skupa. Postupak f koji svakom elementu x D pridružuje točno jedan element y K zovemo funkcija
Διαβάστε περισσότεραNeka je a 3 x 3 + a 2 x 2 + a 1 x + a 0 = 0 algebarska jednadžba trećeg stupnja. Rješavanje ove jednadžbe sastoji se od nekoliko koraka.
Neka je a 3 x 3 + a x + a 1 x + a 0 = 0 algebarska jednadžba trećeg stupnja. Rješavanje ove jednadžbe sastoji se od nekoliko koraka. 1 Normiranje jednadžbe. Jednadžbu podijelimo s a 3 i dobivamo x 3 +
Διαβάστε περισσότερα(P.I.) PRETPOSTAVKA INDUKCIJE - pretpostavimo da tvrdnja vrijedi za n = k.
1 3 Skupovi brojeva 3.1 Skup prirodnih brojeva - N N = {1, 2, 3,...} Aksiom matematičke indukcije Neka je N skup prirodnih brojeva i M podskup od N. Ako za M vrijede svojstva: 1) 1 M 2) n M (n + 1) M,
Διαβάστε περισσότεραRiješeni zadaci: Limes funkcije. Neprekidnost
Riješeni zadaci: Limes funkcije. Neprekidnost Limes funkcije Neka je 0 [a, b] i f : D R, gdje je D = [a, b] ili D = [a, b] \ { 0 }. Kažemo da je es funkcije f u točki 0 jednak L i pišemo f ) = L, ako za
Διαβάστε περισσότερα18. listopada listopada / 13
18. listopada 2016. 18. listopada 2016. 1 / 13 Neprekidne funkcije Važnu klasu funkcija tvore neprekidne funkcije. To su funkcije f kod kojih mala promjena u nezavisnoj varijabli x uzrokuje malu promjenu
Διαβάστε περισσότεραPismeni ispit iz matematike Riješiti sistem jednačina i diskutovati rješenja sistema u zavisnosti od parametra: ( ) + 1.
Pismeni ispit iz matematike 0 008 GRUPA A Riješiti sistem jednačina i diskutovati rješenja sistema u zavisnosti od parametra: λ + z = Ispitati funkciju i nacrtati njen grafik: + ( λ ) + z = e Izračunati
Διαβάστε περισσότεραLINEARNA ALGEBRA 1, ZIMSKI SEMESTAR 2007/2008 PREDAVANJA: NENAD BAKIĆ, VJEŽBE: LUKA GRUBIŠIĆ I MAJA STARČEVIĆ
LINEARNA ALGEBRA 1 ZIMSKI SEMESTAR 2007/2008 PREDAVANJA: NENAD BAKIĆ VJEŽBE: LUKA GRUBIŠIĆ I MAJA STARČEVIĆ 2. VEKTORSKI PROSTORI - LINEARNA (NE)ZAVISNOST SISTEM IZVODNICA BAZA Definicija 1. Neka je F
Διαβάστε περισσότερα1.4 Tangenta i normala
28 1 DERIVACIJA 1.4 Tangenta i normala Ako funkcija f ima derivaciju u točki x 0, onda jednadžbe tangente i normale na graf funkcije f u točki (x 0 y 0 ) = (x 0 f(x 0 )) glase: t......... y y 0 = f (x
Διαβάστε περισσότερα1. Rješavanje diskretne Poissonove jednadžbe
1. POISSONOVA JEDNADŽBA 1D POISSONOVA JEDNADŽBA 1 1. Rješavanje diskretne Poissonove jednadžbe 1.1. 1D diskretna Poissonova jednadžba Poissonova jednadžba javlja se kod prijenosa topline, u elektrostatici,
Διαβάστε περισσότεραradni nerecenzirani materijal za predavanja
Matematika 1 Funkcije radni nerecenzirani materijal za predavanja Definicija 1. Kažemo da je funkcija f : a, b R u točki x 0 a, b postiže lokalni minimum ako postoji okolina O(x 0 ) broja x 0 takva da je
Διαβάστε περισσότεραMatematičke metode u marketingumultidimenzionalno skaliranje. Lavoslav ČaklovićPMF-MO
Matematičke metode u marketingu Multidimenzionalno skaliranje Lavoslav Čaklović PMF-MO 2016 MDS Čemu služi: za redukciju dimenzije Bazirano na: udaljenosti (sličnosti) među objektima Problem: Traži se
Διαβάστε περισσότεραDeterminante. a11 a. a 21 a 22. Definicija 1. (Determinanta prvog reda) Determinanta matrice A = [a] je broj a.
Determinante Determinanta A deta je funkcija definirana na skupu svih kvadratnih matrica, a poprima vrijednosti iz skupa skalara Osim oznake deta za determinantu kvadratne matrice a 11 a 12 a 1n a 21 a
Διαβάστε περισσότεραPRAVA. Prava je u prostoru određena jednom svojom tačkom i vektorom paralelnim sa tom pravom ( vektor paralelnosti).
PRAVA Prava je kao i ravan osnovni geometrijski ojam i ne definiše se. Prava je u rostoru određena jednom svojom tačkom i vektorom aralelnim sa tom ravom ( vektor aralelnosti). M ( x, y, z ) 3 Posmatrajmo
Διαβάστε περισσότεραFAKULTET STROJARSTVA I BRODOGRADNJE. Sanja Singer. Matematika 9. Predavanja na FSB. Zagreb, 2007/8.
SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE Sanja Singer Matematika 9 Predavanja na FSB Zagreb, 2007/8. Sadržaj 1. Vektorske i matrične norme...................... 1 1.1. Vektorske norme...........................
Διαβάστε περισσότεραMATRICE I DETERMINANTE - formule i zadaci - (Matrice i determinante) 1 / 15
MATRICE I DETERMINANTE - formule i zadaci - (Matrice i determinante) 1 / 15 Matrice - osnovni pojmovi (Matrice i determinante) 2 / 15 (Matrice i determinante) 2 / 15 Matrice - osnovni pojmovi Matrica reda
Διαβάστε περισσότεραCauchyjev teorem. Postoji više dokaza ovog teorema, a najjednostvniji je uz pomoć Greenove formule: dxdy. int C i Cauchy Riemannovih uvjeta.
auchyjev teorem Neka je f-ja f (z) analitička u jednostruko (prosto) povezanoj oblasti G, i neka je zatvorena kontura koja čitava leži u toj oblasti. Tada je f (z)dz = 0. Postoji više dokaza ovog teorema,
Διαβάστε περισσότεραIskazna logika 3. Matematička logika u računarstvu. novembar 2012
Iskazna logika 3 Matematička logika u računarstvu Department of Mathematics and Informatics, Faculty of Science,, Serbia novembar 2012 Deduktivni sistemi 1 Definicija Deduktivni sistem (ili formalna teorija)
Διαβάστε περισσότεραSOPSTVENE VREDNOSTI I SOPSTVENI VEKTORI LINEARNOG OPERATORA I KVADRATNE MATRICE
1 SOPSTVENE VREDNOSTI I SOPSTVENI VEKTORI LINEARNOG OPERATORA I KVADRATNE MATRICE Neka je (V, +,, F ) vektorski prostor konačne dimenzije i neka je f : V V linearno preslikavanje. Definicija. (1) Skalar
Διαβάστε περισσότεραMJERA I INTEGRAL 2. kolokvij 30. lipnja (Knjige, bilježnice, dodatni papiri i kalkulatori nisu dozvoljeni!)
JMBAG IM I PZIM BOJ BODOVA MJA I INTGAL 2. kolokvij 30. lipnja 2017. (Knjige, bilježnice, dodatni papiri i kalkulatori nisu dozvoljeni!) 1. (ukupno 6 bodova) Neka je (, F, µ) prostor mjere i neka je (
Διαβάστε περισσότεραπ π ELEKTROTEHNIČKI ODJEL i) f (x) = x 3 x 2 x + 1, a = 1, b = 1;
1. Provjerite da funkcija f definirana na segmentu [a, b] zadovoljava uvjete Rolleova poučka, pa odredite barem jedan c a, b takav da je f '(c) = 0 ako je: a) f () = 1, a = 1, b = 1; b) f () = 4, a =,
Διαβάστε περισσότεραFunkcije dviju varjabli (zadaci za vježbu)
Funkcije dviju varjabli (zadaci za vježbu) Vidosava Šimić 22. prosinca 2009. Domena funkcije dvije varijable Ako je zadano pridruživanje (x, y) z = f(x, y), onda se skup D = {(x, y) ; f(x, y) R} R 2 naziva
Διαβάστε περισσότεραKONVEKSNI SKUPOVI. Definicije: potprostor, afin skup, konveksan skup, konveksan konus. 1/5. Back FullScr
KONVEKSNI SKUPOVI Definicije: potprostor, afin skup, konveksan skup, konveksan konus. 1/5 KONVEKSNI SKUPOVI Definicije: potprostor, afin skup, konveksan skup, konveksan konus. 1/5 1. Neka su x, y R n,
Διαβάστε περισσότεραPraktikum iz numeričkih metoda u statistici. Tina Bosner. Rješavanje nelinearnih sustava. Tina Bosner
Praktikum iz Praktikum iz jednadžbi Tražimo riješenje sistema jednadžbi, tj. za dani F : R n R n želimo naći x R n takava da je F(x ) = 0. Pretpostavit ćemo da je F neprekidno diferencijabilna. Najčešće
Διαβάστε περισσότεραUvod u teoriju brojeva
Uvod u teoriju brojeva 2. Kongruencije Borka Jadrijević Borka Jadrijević () UTB 2 1 / 25 2. Kongruencije Kongruencija - izjava o djeljivosti; Teoriju kongruencija uveo je C. F. Gauss 1801. De nicija (2.1)
Διαβάστε περισσότεραRiješeni zadaci: Nizovi realnih brojeva
Riješei zadaci: Nizovi realih brojeva Nizovi, aritmetički iz, geometrijski iz Fukciju a : N R azivamo beskoači) iz realih brojeva i ozačavamo s a 1, a,..., a,... ili a ), pri čemu je a = a). Aritmetički
Διαβάστε περισσότεραDISKRETNA MATEMATIKA - PREDAVANJE 7 - Jovanka Pantović
DISKRETNA MATEMATIKA - PREDAVANJE 7 - Jovanka Pantović Novi Sad April 17, 2018 1 / 22 Teorija grafova April 17, 2018 2 / 22 Definicija Graf je ure dena trojka G = (V, G, ψ), gde je (i) V konačan skup čvorova,
Διαβάστε περισσότεραIZVODI ZADACI ( IV deo) Rešenje: Najpre ćemo logaritmovati ovu jednakost sa ln ( to beše prirodni logaritam za osnovu e) a zatim ćemo
IZVODI ZADACI ( IV deo) LOGARITAMSKI IZVOD Logariamskim izvodom funkcije f(), gde je >0 i, nazivamo izvod logarima e funkcije, o jes: (ln ) f ( ) f ( ) Primer. Nadji izvod funkcije Najpre ćemo logarimovai
Διαβάστε περισσότερα4 Multigrid metode Osnove multigrid metoda Spektralna i algebarska slika multigrid metoda
Sadržaj 1 Uvod 5 1.1 Notacija.................................... 6 1.2 Vektorske norme i skalarni produkti.................... 6 1.3 Ortogonalnost................................. 6 1.4 Matrične faktorizacije............................
Διαβάστε περισσότεραLinearna algebra Materijali za nastavu iz Matematike 1
Linearna algebra Materijali za nastavu iz Matematike 1 Kristina Krulić Himmelreich i Ksenija Smoljak 2012/13 1 / 40 Uvod Matrica: matematički objekt koji se sastoji od brojeva koji su rasporedeni u retke
Διαβάστε περισσότερα3.1 Granična vrednost funkcije u tački
3 Granična vrednost i neprekidnost funkcija 2 3 Granična vrednost i neprekidnost funkcija 3. Granična vrednost funkcije u tački Neka je funkcija f(x) definisana u tačkama x za koje je 0 < x x 0 < r, ili
Διαβάστε περισσότεραRIJEŠENI ZADACI I TEORIJA IZ
RIJEŠENI ZADACI I TEORIJA IZ LOGARITAMSKA FUNKCIJA SVOJSTVA LOGARITAMSKE FUNKCIJE OSNOVE TRIGONOMETRIJE PRAVOKUTNOG TROKUTA - DEFINICIJA TRIGONOMETRIJSKIH FUNKCIJA - VRIJEDNOSTI TRIGONOMETRIJSKIH FUNKCIJA
Διαβάστε περισσότερα6 Polinomi Funkcija p : R R zadana formulom
6 Polinomi Funkcija p : R R zadana formulom p(x) = a n x n + a n 1 x n 1 +... + a 1 x + a 0, gdje su a 0, a 1,..., a n realni brojevi, a n 0, i n prirodan broj ili 0, naziva se polinom n-tog stupnja s
Διαβάστε περισσότεραPOVRŠINA TANGENCIJALNO-TETIVNOG ČETVEROKUTA
POVRŠIN TNGENIJLNO-TETIVNOG ČETVEROKUT MLEN HLP, JELOVR U mnoštvu mnogokuta zanimljiva je formula za površinu četverokuta kojemu se istoobno može upisati i opisati kružnica: gje su a, b, c, uljine stranica
Διαβάστε περισσότεραAPROKSIMACIJA FUNKCIJA
APROKSIMACIJA FUNKCIJA Osnovni koncepti Gradimir V. Milovanović MF, Beograd, 14. mart 2011. APROKSIMACIJA FUNKCIJA p.1/46 Osnovni problem u TA Kako za datu funkciju f iz velikog prostora X naći jednostavnu
Διαβάστε περισσότερα1 Afina geometrija. 1.1 Afini prostor. Definicija 1.1. Pod afinim prostorom nad poljem K podrazumevamo. A - skup taqaka
1 Afina geometrija 11 Afini prostor Definicija 11 Pod afinim prostorom nad poljem K podrazumevamo svaku uređenu trojku (A, V, +): A - skup taqaka V - vektorski prostor nad poljem K + : A V A - preslikavanje
Διαβάστε περισσότεραOsnovni primer. (Z, +,,, 0, 1) je komutativan prsten sa jedinicom: množenje je distributivno prema sabiranju
RAČUN OSTATAKA 1 1 Prsten celih brojeva Z := N + {} N + = {, 3, 2, 1,, 1, 2, 3,...} Osnovni primer. (Z, +,,,, 1) je komutativan prsten sa jedinicom: sabiranje (S1) asocijativnost x + (y + z) = (x + y)
Διαβάστε περισσότεραStrukture podataka i algoritmi 1. kolokvij 16. studenog Zadatak 1
Strukture podataka i algoritmi 1. kolokvij Na kolokviju je dozvoljeno koristiti samo pribor za pisanje i službeni šalabahter. Predajete samo papire koje ste dobili. Rezultati i uvid u kolokvije: ponedjeljak,
Διαβάστε περισσότερα16 Lokalni ekstremi. Definicija 16.1 Neka je A R n otvoren, f : A R i c A. Ako postoji okolina U(c) od c na kojoj je f(c) minimum
16 Lokalni ekstremi Važna primjena Taylorovog teorema odnosi se na analizu lokalnih ekstrema (minimuma odnosno maksimuma) relanih funkcija (više varijabli). Za n = 1 i f : a,b R ako funkcija ima lokalni
Διαβάστε περισσότεραMATEMATIKA 1 8. domaća zadaća: RADIJVEKTORI. ALGEBARSKE OPERACIJE S RADIJVEKTORIMA. LINEARNA (NE)ZAVISNOST SKUPA RADIJVEKTORA.
Napomena: U svim zadatcima O označava ishodište pravokutnoga koordinatnoga sustava u ravnini/prostoru (tj. točke (0,0) ili (0, 0, 0), ovisno o zadatku), označava skalarni umnožak, a vektorski umnožak.
Διαβάστε περισσότεραVeleučilište u Rijeci Stručni studij sigurnosti na radu Akad. god. 2011/2012. Matematika. Monotonost i ekstremi. Katica Jurasić. Rijeka, 2011.
Veleučilište u Rijeci Stručni studij sigurnosti na radu Akad. god. 2011/2012. Matematika Monotonost i ekstremi Katica Jurasić Rijeka, 2011. Ishodi učenja - predavanja Na kraju ovog predavanja moći ćete:,
Διαβάστε περισσότεραLinearna algebra I, zimski semestar 2007/2008
Linearna algebra I, zimski semestar 2007/2008 Predavanja: Nenad Bakić, Vježbe: Luka Grubišić i Maja Starčević 22. listopada 2007. 1 Prostor radijvektora i sustavi linearni jednadžbi Neka je E 3 trodimenzionalni
Διαβάστε περισσότερα( , treći kolokvij) 3. Na dite lokalne ekstreme funkcije z = x 4 + y 4 2x 2 + 2y 2 3. (20 bodova)
A MATEMATIKA (.6.., treći kolokvij. Zadana je funkcija z = e + + sin(. Izračunajte a z (,, b z (,, c z.. Za funkciju z = 3 + na dite a diferencijal dz, b dz u točki T(, za priraste d =. i d =.. c Za koliko
Διαβάστε περισσότεραVJEROJATNOST I STATISTIKA Popravni kolokvij - 1. rujna 2016.
Broj zadataka: 5 Vrijeme rješavanja: 120 min Ukupan broj bodova: 100 Zadatak 1. (a) Napišite aksiome vjerojatnosti ako je zadan skup Ω i σ-algebra F na Ω. (b) Dokažite iz aksioma vjerojatnosti da za A,
Διαβάστε περισσότερα2. Ako je funkcija f(x) parna onda se Fourierov red funkcije f(x) reducira na Fourierov kosinusni red. f(x) cos
. KOLOKVIJ PRIMIJENJENA MATEMATIKA FOURIEROVE TRANSFORMACIJE 1. Za periodičnu funkciju f(x) s periodom p=l Fourierov red je gdje su a,a n, b n Fourierovi koeficijenti od f(x) gdje su a =, a n =, b n =..
Διαβάστε περισσότεραFunkcija gustoće neprekidne slučajne varijable ima dva bitna svojstva: 1. Nenegativnost: f(x) 0, x R, 2. Normiranost: f(x)dx = 1.
σ-algebra skupova Definicija : Neka je Ω neprazan skup i F P(Ω). Familija skupova F je σ-algebra skupova na Ω ako vrijedi:. F, 2. A F A C F, 3. A n, n N} F n N A n F. Borelova σ-algebra Definicija 2: Neka
Διαβάστε περισσότεραLinearna algebra za fizičare, zimski semestar Mirko Primc
Linearna algebra za fizičare, zimski semestar 006. Mirko Primc Sadržaj Poglavlje 1. Vektorski prostor R n 5 1. Vektorski prostor R n 6. Geometrijska interpretacija vektorskih prostora R i R 3 11 3. Linearne
Διαβάστε περισσότεραSume kvadrata. mn = (ax + by) 2 + (ay bx) 2.
Sume kvadrata Koji se prirodni brojevi mogu prikazati kao zbroj kvadrata dva cijela broja? Propozicija 1. Ako su brojevi m i n sume dva kvadrata, onda je i njihov produkt m n takoder suma dva kvadrata.
Διαβάστε περισσότεραTRIGONOMETRIJA TROKUTA
TRIGONOMETRIJA TROKUTA Standardne oznake u trokutuu ABC: a, b, c stranice trokuta α, β, γ kutovi trokuta t,t,t v,v,v s α,s β,s γ R r s težišnice trokuta visine trokuta simetrale kutova polumjer opisane
Διαβάστε περισσότεραPoglavlje 1 GRAM-SCHMIDTOV POSTUPAK ORTOGONALIZACIJE. 1.1 Ortonormirani skupovi
Poglavlje 1 GRAM-SCHMIDTOV POSTUPAK ORTOGONALIZACIJE 1.1 Ortonormirani skupovi Prije nego krenemo na sami algoritam, uvjerimo se koliko je korisno raditi sa ortonormiranim skupovima u unitarnom prostoru.
Διαβάστε περισσότεραUNIVERZITET U NIŠU ELEKTRONSKI FAKULTET SIGNALI I SISTEMI. Zbirka zadataka
UNIVERZITET U NIŠU ELEKTRONSKI FAKULTET Goran Stančić SIGNALI I SISTEMI Zbirka zadataka NIŠ, 014. Sadržaj 1 Konvolucija Literatura 11 Indeks pojmova 11 3 4 Sadržaj 1 Konvolucija Zadatak 1. Odrediti konvoluciju
Διαβάστε περισσότερα( ) ( ) 2 UNIVERZITET U ZENICI POLITEHNIČKI FAKULTET. Zadaci za pripremu polaganja kvalifikacionog ispita iz Matematike. 1. Riješiti jednačine: 4
UNIVERZITET U ZENICI POLITEHNIČKI FAKULTET Riješiti jednačine: a) 5 = b) ( ) 3 = c) + 3+ = 7 log3 č) = 8 + 5 ć) sin cos = d) 5cos 6cos + 3 = dž) = đ) + = 3 e) 6 log + log + log = 7 f) ( ) ( ) g) ( ) log
Διαβάστε περισσότεραKaskadna kompenzacija SAU
Kaskadna kompenzacija SAU U inženjerskoj praksi, naročito u sistemima regulacije elektromotornih pogona i tehnoloških procesa, veoma često se primenjuje metoda kaskadne kompenzacije, u čijoj osnovi su
Διαβάστε περισσότερα1 / 79 MATEMATIČKA ANALIZA II REDOVI
/ 79 MATEMATIČKA ANALIZA II REDOVI 6.. Definicija reda Promatrajmo niz Definicija reda ( ) n 2 :, 2 2 3 2 4 2,... Postupno zbrajajmo elemente niza: = + 2 2 = 5 4 + 2 2 + 3 2 = 49 36 + 2 2 + 3 2 + 4 2 =
Διαβάστε περισσότερα4 Numeričko diferenciranje
4 Numeričko diferenciranje 7. Funkcija fx) je zadata tabelom: x 0 4 6 8 fx).17 1.5167 1.7044 3.385 5.09 7.814 Koristeći konačne razlike, zaključno sa trećim redom, odrediti tačku x minimuma funkcije fx)
Διαβάστε περισσότεραOsnovne teoreme diferencijalnog računa
Osnovne teoreme diferencijalnog računa Teorema Rolova) Neka je funkcija f definisana na [a, b], pri čemu važi f je neprekidna na [a, b], f je diferencijabilna na a, b) i fa) fb). Tada postoji ξ a, b) tako
Διαβάστε περισσότεραLINEARNI PROSTORI
7 4 Pokažite da je matrica cos α e iβ sin α e iβ sin α cos α unitarna za sve α, β R Ispitajte ima li linearni sistem samo trivijalno rješenje 3 5 3 4 x x x 3 = 3 Nadite opće rješenje problema y = Ay, gdjejea
Διαβάστε περισσότεραPismeni ispit iz matematike GRUPA A 1. Napisati u trigonometrijskom i eksponencijalnom obliku kompleksni broj, zatim naći 4 z.
Pismeni ispit iz matematike 06 007 Napisati u trigonometrijskom i eksponencijalnom obliku kompleksni broj z = + i, zatim naći z Ispitati funkciju i nacrtati grafik : = ( ) y e + 6 Izračunati integral:
Διαβάστε περισσότερα- pravac n je zadan s točkom T(2,0) i koeficijentom smjera k=2. (30 bodova)
MEHANIKA 1 1. KOLOKVIJ 04/2008. grupa I 1. Zadane su dvije sile F i. Sila F = 4i + 6j [ N]. Sila je zadana s veličinom = i leži na pravcu koji s koordinatnom osi x zatvara kut od 30 (sve komponente sile
Διαβάστε περισσότεραSlučajni procesi Prvi kolokvij travnja 2015.
Zadatak Prvi kolokvij - 20. travnja 205. (a) (3 boda) Neka je (Ω,F,P) vjerojatnosni prostor, neka je G σ-podalgebra od F te neka je X slučajna varijabla na (Ω,F,P) takva da je X 0 g.s. s konačnim očekivanjem.
Διαβάστε περισσότεραZavrxni ispit iz Matematiqke analize 1
Građevinski fakultet Univerziteta u Beogradu 3.2.2016. Zavrxni ispit iz Matematiqke analize 1 Prezime i ime: Broj indeksa: 1. Definisati Koxijev niz. Dati primer niza koji nije Koxijev. 2. Dat je red n=1
Διαβάστε περισσότερα1 Diferencijabilnost Motivacija. Kažemo da je funkcija f : a, b R derivabilna u točki c a, b ako postoji limes f f(x) f(c) (c) = lim.
1 Diferencijabilnost 11 Motivacija Kažemo da je funkcija f : a, b R derivabilna u točki c a, b ako postoji es f f(x) f(c) (c) x c x c Najbolja linearna aproksimacija funkcije f je funkcija l(x) = f(c)
Διαβάστε περισσότερα2 Jordanova forma. 2.1 Nilpotentni operatori
2 Jordanova forma 2 Nilpotentni operatori Definicija Neka je V vektorski prostor Operator N P LpV q je nilpotentan indeksa p (p P N) ako vrijedi N p, N p Propozicija Ako je e P V takav da je N p e, onda
Διαβάστε περισσότερα1. zadatak , 3 Dakle, sva kompleksna re{ewa date jedna~ine su x 1 = x 2 = 1 (dvostruko re{ewe), x 3 = 1 + i
PRIPREMA ZA II PISMENI IZ ANALIZE SA ALGEBROM. zadatak Re{avawe algebarskih jedna~ina tre}eg i ~etvrtog stepena. U skupu kompleksnih brojeva re{iti jedna~inu: a x 6x + 9 = 0; b x + 9x 2 + 8x + 28 = 0;
Διαβάστε περισσότεραTrigonometrija 2. Adicijske formule. Formule dvostrukog kuta Formule polovičnog kuta Pretvaranje sume(razlike u produkt i obrnuto
Trigonometrija Adicijske formule Formule dvostrukog kuta Formule polovičnog kuta Pretvaranje sume(razlike u produkt i obrnuto Razumijevanje postupka izrade složenijeg matematičkog problema iz osnova trigonometrije
Διαβάστε περισσότερα4.1 Elementarne funkcije
. Elementarne funkcije.. Polinomi Funkcija f : R R zadana formulom f(x) = a n x n + a n x n +... + a x + a 0 gdje je n N 0 te su a n, a n,..., a, a 0 R, zadani brojevi takvi da a n 0 naziva se polinom
Διαβάστε περισσότεραMATEMATIKA Pokažite da za konjugiranje (a + bi = a bi) vrijedi. a) z=z b) z 1 z 2 = z 1 z 2 c) z 1 ± z 2 = z 1 ± z 2 d) z z= z 2
(kompleksna analiza, vježbe ). Izračunajte a) (+i) ( i)= b) (i+) = c) i + i 4 = d) i+i + i 3 + i 4 = e) (a+bi)(a bi)= f) (+i)(i )= Skicirajte rješenja u kompleksnoj ravnini.. Pokažite da za konjugiranje
Διαβάστε περισσότερα41. Jednačine koje se svode na kvadratne
. Jednačine koje se svode na kvadrane Simerične recipročne) jednačine Jednačine oblika a n b n c n... c b a nazivamo simerične jednačine, zbog simeričnosi koeficijenaa koeficijeni uz jednaki). k i n k
Διαβάστε περισσότεραTeorijske osnove informatike 1
Teorijske osnove informatike 1 9. oktobar 2014. () Teorijske osnove informatike 1 9. oktobar 2014. 1 / 17 Funkcije Veze me du skupovima uspostavljamo skupovima koje nazivamo funkcijama. Neformalno, funkcija
Διαβάστε περισσότεραRADIJVEKTORI. ALGEBARSKE OPERACIJE S RADIJVEKTORIMA. LINEARNA (NE)ZAVISNOST SKUPA RADIJVEKTORA.
Napomena: U svim zadatcima O označava ishodište pravokutnoga koordinatnoga sustava u ravnini/prostoru (tj. točke (0,0) ili (0, 0, 0), ovisno o zadatku), označava skalarni umnožak, a vektorski umnožak.
Διαβάστε περισσότεραSveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Preddiplomski studij matematike. Monika Jović. Skalarni produkt.
Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Preddiplomski studij matematike Monika Jović Skalarni produkt Završni rad Osijek, 2012. Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku
Διαβάστε περισσότερα( x) ( ) ( ) ( x) ( ) ( x) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
Zadatak 08 (Vedrana, maturantica) Je li unkcija () = cos (sin ) sin (cos ) parna ili neparna? Rješenje 08 Funkciju = () deiniranu u simetričnom području a a nazivamo: parnom, ako je ( ) = () neparnom,
Διαβάστε περισσότερα6. Nelinearne jednadžbe i sustavi
6. Nelinearne jednadžbe i sustavi 6.. Osnovne napomene Neka je I interval u R, f : I R neprekidna funkcija na I inekajedana jednadžba f(x) =0. (6.) Riješiti jednadžbu (6.) znači naći one x za koje vrijedi
Διαβάστε περισσότεραRedovi funkcija. Redovi potencija. Franka Miriam Brückler
Franka Miriam Brückler Redovi funkcija 1 + (x 2) + 1 + x + x 2 + x 3 + x 4 +... = (x 2)2 2! + (x 2)3 3! + +... = sin(x) + sin(2x) + sin(3x) +... = x n, + + n=1 (x 2) n, n! sin(nx). Redovi funkcija 1 +
Διαβάστε περισσότεραBetonske konstrukcije 1 - vežbe 3 - Veliki ekscentricitet -Dodatni primeri
Betonske konstrukcije 1 - vežbe 3 - Veliki ekscentricitet -Dodatni primeri 1 1 Zadatak 1b Čisto savijanje - vezano dimenzionisanje Odrediti potrebnu površinu armature za presek poznatih dimenzija, pravougaonog
Διαβάστε περισσότεραPID: Domen P je glavnoidealski [PID] akko svaki ideal u P je glavni (generisan jednim elementom; oblika ap := {ab b P }, za neko a P ).
0.1 Faktorizacija: ID, ED, PID, ND, FD, UFD Definicija. Najava pojmova: [ID], [ED], [PID], [ND], [FD] i [UFD]. ID: Komutativan prsten P, sa jedinicom 1 0, je integralni domen [ID] oblast celih), ili samo
Διαβάστε περισσότεραZadaci iz Osnova matematike
Zadaci iz Osnova matematike 1. Riješiti po istinitosnoj vrijednosti iskaza p, q, r jednačinu τ(p ( q r)) =.. Odrediti sve neekvivalentne iskazne formule F = F (p, q) za koje je iskazna formula p q p F
Διαβάστε περισσότερα( , 2. kolokvij)
A MATEMATIKA (0..20., 2. kolokvij). Zadana je funkcija y = cos 3 () 2e 2. (a) Odredite dy. (b) Koliki je nagib grafa te funkcije za = 0. (a) zadanu implicitno s 3 + 2 y = sin y, (b) zadanu parametarski
Διαβάστε περισσότεραApsolutno neprekidne raspodele Raspodele apsolutno neprekidnih sluqajnih promenljivih nazivaju se apsolutno neprekidnim raspodelama.
Apsolutno neprekidne raspodele Raspodele apsolutno neprekidnih sluqajnih promenljivih nazivaju se apsolutno neprekidnim raspodelama. a b Verovatno a da sluqajna promenljiva X uzima vrednost iz intervala
Διαβάστε περισσότεραk a k = a. Kao i u slučaju dimenzije n = 1 samo je jedan mogući limes niza u R n :
4 Nizovi u R n Neka je A R n. Niz u A je svaka funkcija a : N A. Označavamo ga s (a k ) k. Na primjer, jedan niz u R 2 je dan s ( 1 a k = k, 1 ) k 2, k N. Definicija 4.1. Za niz (a k ) k R n kažemo da
Διαβάστε περισσότεραViše dokaza jedne poznate trigonometrijske nejednakosti u trokutu
Osječki matematički list 000), 5 9 5 Više dokaza jedne poznate trigonometrijske nejednakosti u trokutu Šefket Arslanagić Alija Muminagić Sažetak. U radu se navodi nekoliko različitih dokaza jedne poznate
Διαβάστε περισσότεραMatrice linearnih operatora i množenje matrica. Franka Miriam Brückler
Matrice linearnih operatora i množenje matrica Franka Miriam Brückler Kako je svaki vektorski prostor konačne dimenzije izomorfan nekom R n (odnosno C n ), pri čemu se ta izomorfnost očituje odabirom baze,
Διαβάστε περισσότεραNumerička analiza 26. predavanje
Numerička analiza 26. predavanje Saša Singer singer@math.hr web.math.hr/~singer PMF Matematički odjel, Zagreb NumAnal 2009/10, 26. predavanje p.1/21 Sadržaj predavanja Varijacijske karakterizacije svojstvenih
Διαβάστε περισσότερα4 Unitarni prostori. 4.1 Definicija i svojstva unitarnih prostora. K polje R ili C, V je vektorski prostor nad K
4 Unitarni prostori 4.1 Definicija i svojstva unitarnih prostora K polje R ili C, V je vektorski prostor nad K Definicija. Skalarni produkt na V je svaka funkcija p q: V ˆ V Ñ K koja ima sljedeća svojstva:
Διαβάστε περισσότερα