SylabUZ
Course name | Optimization Methods |
Course ID | 06.1-WM-MiBM-AiOPP-P-10_15 |
Faculty | Faculty of Mechanical Engineering |
Field of study | Mechanical Engineering / Automation and Organization of Production Processes |
Education profile | academic |
Level of studies | First-cycle studies leading to Engineer's degree |
Beginning semester | winter term 2016/2017 |
Semester | 7 |
ECTS credits to win | 2 |
Course type | obligatory |
Teaching language | polish |
Author of syllabus |
|
The class form | Hours per semester (full-time) | Hours per week (full-time) | Hours per semester (part-time) | Hours per week (part-time) | Form of assignment |
Lecture | 30 | 2 | 18 | 1,2 | Credit with grade |
Laboratory | 30 | 2 | 18 | 1,2 | Credit with grade |
Zapoznanie studentów z podstawowymi terminami i definicjami z zakresu optymalizacji, istota optymalizacji, podstawy matematyczne optymalizacji. Przedstawienie metod i narzędzi rozwiązywania zagadnień optymalizacji, ze szczególnym uwzględnieniem zastosowańw mechanice i budowie maszyn.
Analiza matematyczna z elementami ruchu prawdopodobieństwa, umiejętności posługiwania się narzędziami informatycznymi: arkusze kalkulacyjne, Matlab/Scilab.
Treśćwykładowa:
Właściwości ekstremów funkcji wielu zmiennych. Ekstrema funkcji przy braku warunków ograniczających. Ekstrema funkcji przy warunkach ograniczających równościowych. Metoda mnożników Lagrange’a. Ekstrema funkcji przy warunkach ograniczających nierównościowych. Regularność i nieregularność. Dualne zadanie optymalizacji. Funkcje liniowe z liniowymi warunkami ograniczającymi. Dualne zadanie optymalizacji liniowej. Metoda symplex rozwiązywania zadania programowania liniowego. Algorytmy gradientowe wyznaczania minimum funkcji bez ograniczeń. Metody znajdowania punktu minimum przy warunkach ograniczających (algorytmy funkcji kary). Znajdowanie punktów ekstremalnych funkcji w obecności zakłóceń(aproksymacja stochastyczna).
Treść laboratoryjna:
MATLAB/ SCILAB – narzędzia do wykonywania obliczeń inżynierskich i naukowych oraz prezentowania wyników – narzędzia obliczeniowe, narzędzia graficzne prezentacji wyników. Rozwiązywanie „prostych” zadań optymalizacji o dwóch zmiennych decyzyjnych metodą graficzną – optymalizacja dyskretna. Formułowanie opisu matematycznego ZPL – postać kanoniczna. Wykorzystanie narzędzi typu SOLVER do rozwiązywania ZPL. Rozwiązywanie ZPL metodą SYMPLEX – wypełnianie tablic sympleksowych, zastosowanie gotowych programów. Optymalizacja nieliniowa – przykładowe aplikacje, porównywanie efektywności różnych metod optymalizacji nieliniowej.
Wykłady z wykorzystaniem technik multimedialnych. Praca indywidualna i zespołowa w trakcie realizacji ćwiczeń laboratoryjnych. Prezentacja rozwiązań, analiza
i dyskusja nad uzyskanymi wynikami.
Outcome description | Outcome symbols | Methods of verification | The class form |
Warunkiem zaliczenia przedmiotu jest zaliczenie wszystkich jego form. Ocena końcowa na zaliczenie przedmiotu jest średnią arytmetyczną z ocen za poszczególne formy zajęć.
Koronacki J., Aproksymacja stochastyczna: metody optymalizacji w warunkach losowych. Warszawa, WNT, 1989
Modified by prof. dr hab. inż. Mirosław Galicki (last modification: 27-09-2016 08:41)