Séance de cours

Optimisation quasi-newton

Séances de cours associées (29)

Couvre les méthodes d'optimisation sans contraintes, y compris la recherche de gradient et de ligne dans le cas quadratique.

Contrôle optimal : Conditions KKT

Explore les conditions optimales de contrôle et de KKT pour une optimisation non linéaire avec des contraintes.

Méthodes d'optimisation

Couvre l'optimisation sans contrainte et contrainte, le contrôle optimal, les réseaux neuronaux et les méthodes d'optimisation globales.

Optimisation avec contraintes

Couvre l'optimisation avec des contraintes et le théorème de KKT.

Analyse numérique

Couvre des sujets d'analyse numérique avancés, y compris les réseaux neuronaux profonds et les méthodes d'optimisation.

Optimisation non linéaire

Couvre la recherche en ligne, la méthode de Newton, BFGS et le gradient conjugué en optimisation non linéaire.

Méthode Runge Kutta

Couvre la méthode Runge Kutta et son application aux réseaux de contrôle et de neurones optimaux.

Modélisation des éléments finis

Couvre la dérivation de l'équation du mouvement, de l'interpolation, de l'équation de Newton et de la conservation de l'énergie dans la modélisation des éléments finis.

Modélisation des éléments finis: Dynamique

Introduit les bases de la modélisation des éléments finis pour la dynamique et discute de la méthode Newmark pour l'intégration du temps.

Méthode de l'élément fini

Couvre la méthode de l'élément Finite, en discutant de la dérivation de l'équation du mouvement et en explorant les matrices de masse et de rigidité.

Méthodes d'optimisation : discussion théorique

Explore les méthodes d'optimisation, y compris les problèmes sans contraintes, la programmation linéaire et les approches heuristiques.

Optimisation avec contraintes : conditions KKT

Couvre l'optimisation avec des contraintes utilisant les conditions KKT et l'inversibilité matricielle en analyse numérique.

Algorithmes d'approximation

Couvre les algorithmes d'approximation pour les problèmes d'optimisation, la relaxation LP et les techniques d'arrondi aléatoire.

Définir la couverture : Integrality Gap

Explore le concept d'écart d'intégralité dans les algorithmes de couverture et de pondérations multiplicatives.

Programmation semi-définie

Couvre la programmation et l'optimisation semi-définies sur des cônes semi-définis positifs.

Algorithmes et croissance des fonctions

Couvre les algorithmes d'optimisation, l'appariement stable et la notation Big-O pour l'efficacité de l'algorithme.

Turbulence : Simulation numérique de flux

Explore les caractéristiques de la turbulence, les méthodes de simulation et les défis de modélisation, fournissant des lignes directrices pour le choix et la validation des modèles de turbulence.

Consommation d'eau à Genève

Explore les données sur la consommation d'eau à Genève, y compris les graphiques sur la consommation et les pertes, les ensembles de données disponibles et les phases de traitement des données.

Méthodes numériques: runge-kutta

Couvre la méthode Runge-Kutta et ses variations, en discutant de la minimisation des erreurs et de la stabilité dans les systèmes non linéaires.

Optimisation avec contraintes : conditions KKT

Couvre les conditions KKT pour l'optimisation avec des contraintes, essentielles pour résoudre efficacement les problèmes d'optimisation.