Ηλεκτρονική Διάθεση Μαθήματος
Μαθησιακά Αποτελέσματα
Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα πρέπει να κατανοούν τα ζητήματα βέλτιστου ελέγχου με περιορισμούς προβλήματα αρχικών τιμών και να μπορούν να αναλύσουν και να επιλύσουν διαφορικές εξισώσεις καθώς και συστήματα γραμμικών διαφορικών εξισώσεων απο την πλευρά του βέλτιστου ελέγχου. Να αντιλαμβάνονται τον ρόλο της ευστάθειας του αντίστοιχου συνεχούς προβλήματος, της τάξης ακρίβειας και διαφόρων ιδιοτήτων ευστάθειας σχετικών αριθμητικών μεθόδων, καθώς και εφαρμογές. Να γνωρίζουν τις βασικές αριθμητικές μεθόδους, καθώς και τα πλεονεκτήματα και τα μειονεκτήματά τους. Να μπορούν να υλοποιήσουν στον υπολογιστή τις προαναφερθείσες μεθόδους.
Περιεχόμενο Μαθήματος
Εισαγωγή: Κυρτά σύνολα, νόρμες, βασικοί ορισμοί, γενικευμένο θεώρημα μέσης τιμής, θεωρήματα ύπαρξης ακροτάτων, βασικές ιδιότητες και ανισότητες. Εισαγωγή και εφαρμογές σε έλεγχο συστημάτων με περιορισμούς: ελλειπτικές, παραβολικές, υπερβολικές Μ.Δ.Ε., εξισώσεις ρευστών, αντίστροφα προβλήματα, και συστήματα ελέγχου. Προβλήματα βελτιστοποίησης χωρίς περιορισμούς: Βασικοί αλγόριθμοι στην αριθμητική ανάλυση, υπολογιστικές μέθοδοι, ευστάθεια, σύγκλιση, μέθοδοι καθόδου, ισχυρές συνθήκες Wolfe-Powel, μέθοδος κλίσεων για γενικές μη-γραμμικές συναρτήσεις, μέθοδοι συζυγών κατευθύνσεων, υπολογισμός A-συζυγών κατευθύνσεων, η μέθοδος των συζύγων συναρτήσεων για μη-τετραγωνικές συναρτήσεις, η μέθοδος των συζυγών κλίσεων με προρύθμιση\preconditioned conjugate gradient method, πιεστικές συναρτήσεις. Βελτιστοποίηση: Αναγκαίες και ικανές συνθήκες, κατά κατεύθυνση παράγωγοι, κατά θετική κατεύθυνση παράγωγοι, γεωμετρική ερμηνεία της κλίσης, το θεώρημα Κuhn-Tucker-Lagrange. Εφαρμογές σε επιστημονική μηχανική μάθηση: Βασικές αρχές, κωδικοποίηση σε python3 και C++, εύρεση λύσεων ΜΔΕ, στοχαστικές μέθοδοι κλίσεων, PINN (Physics-Informed Neural Network), ένα χρήσιμο εργαλείο για την εύρεση αριθμητικών λύσεων μη γραμμικών μερικών διαφορικών εξισώσεων.