Pertanyaan yang diberi tag «optimization»

Tag ini dimaksudkan untuk pertanyaan tentang metode minimalisasi (dibatasi atau tidak dibatasi) fungsi.

2
Memahami biaya metode adjoint untuk optimasi pde-constrained
Saya mencoba memahami bagaimana metode pengoptimalan berbasis adjoint bekerja untuk optimisasi terbatas PDE. Khususnya, saya mencoba memahami mengapa metode adjoint lebih efisien untuk masalah di mana jumlah variabel desain besar, tetapi "jumlah persamaan kecil". Apa yang saya mengerti: Pertimbangkan masalah pengoptimalan terbatas PDE berikut: minβ I(β,u(β))s.t.R(u(β))=0minβ I(β,u(β))s.t.R(u(β))=0\min_\beta \text{ } I(\beta,u(\beta))\\ …
11 optimization  pde 
3
Mengoptimalkan fungsi yang tidak diketahui yang hanya dapat dievaluasi?
Diberikan fungsi yang tidak diketahui , kita dapat mengevaluasi nilainya di titik mana pun di domainnya, tetapi kami tidak memiliki ekspresinya. Dengan kata lain, f seperti kotak hitam bagi kita.f:Rd→Rf:Rd→Rf:\mathbb R^d \to \mathbb Rfff Apa nama untuk masalah menemukan minimizer ? Apa saja metode di luar sana?fff Apa nama untuk …
1
Komputasi kesalahan standar untuk masalah regresi linier tanpa menghitung invers
Apakah ada cara yang lebih cepat untuk menghitung kesalahan standar untuk masalah regresi linier, daripada dengan membalik ? Di sini saya berasumsi kita mengalami regresi:X′XX′XX'X y=Xβ+ε,y=Xβ+ε,y=X\beta+\varepsilon, di mana adalah matriks dan adalah vektor.XXXn×kn×kn\times kyyyn×1n×1n\times 1 Untuk menemukan solusi masalah kuadrat terkecil, tidak praktis untuk melakukan apa pun dengan , Anda …
2
Gradient descent dan descent gradient descent
Untuk sebuah proyek, saya harus mengimplementasikan kedua metode ini dan membandingkan kinerjanya pada fungsi yang berbeda. Sepertinya metode gradien konjugasi dimaksudkan untuk menyelesaikan sistem persamaan linear untuk Ax=bAx=b A\mathbf{x} = \mathbf{b} Di mana adalah matriks n-by-n yang simetris, pasti-positif dan nyata.AAA Di sisi lain, ketika saya membaca tentang gradient descent, …
2
Vektor eigen dari penyesuaian norma kecil
Saya memiliki dataset yang perlahan berubah, dan saya harus melacak vektor eigen / nilai eigen dari matriks kovariansnya. Saya sudah menggunakan scipy.linalg.eigh, tapi terlalu mahal, dan tidak menggunakan fakta bahwa saya sudah memiliki dekomposisi yang hanya sedikit salah. Adakah yang bisa menyarankan pendekatan yang lebih baik untuk menangani masalah ini?
4
Pemrograman linier dengan batasan matriks
Saya memiliki masalah pengoptimalan yang terlihat seperti berikut ini minJ,Bs.t.∑ij|Jij|MJ+BY=XminJ,B∑ij|Jij|s.t.MJ+BY=X \begin{array}{rl} \min_{J,B} & \sum_{ij} |J_{ij}|\\ \textrm{s.t.} & MJ + BY =X \end{array} Di sini, variabel saya adalah matriks JJJ dan BBB , tetapi seluruh masalahnya masih berupa program linier; variabel yang tersisa diperbaiki. Ketika saya mencoba memasukkan program ini ke …
4
Memaksimalkan fungsi cembung (meminimalkan fungsi cekung) dengan batasan linier
Masalahnya adalah maxf(x) subject to Ax=bmaxf(x) subject to Ax=b\max f(\mathbf{x}) \text{ subject to } \mathbf{Ax} = \mathbf{b} di mana f(x)=∑Ni=11+x4i(∑Ni=1x2i)2−−−−−−−−−−√f(x)=∑i=1N1+xi4(∑i=1Nxi2)2f(\mathbf{x}) = \sum_{i=1}^N\sqrt{1+\frac{x_i^4}{(\sum_{i=1}^{N}x_i^2)^2}} , x=[x1,x2,...,xN]T∈RN×1x=[x1,x2,...,xN]T∈RN×1\mathbf{x} = [x_1,x_2,...,x_N]^T \in \mathbb{R}^{N\times 1} , dan A∈RM×NA∈RM×N\mathbf{A} \in \mathbb{R}^{M\times N} Kita dapat melihat bahwa f(.)f(.)f(.) Dalam bentuk 1+y2−−−−−√1+y2\sqrt{1+y^2} dan merupakan fungsi cembung. Dapat juga ditunjukkan …
3
Memaksimalkan fungsi bising yang tidak dikenal
Saya tertarik memaksimalkan fungsi , di mana \ theta \ in \ mathbb R ^ p .f(θ)f(θ)f(\mathbf \theta)θ∈Rpθ∈Rp\theta \in \mathbb R^p Masalahnya adalah saya tidak tahu bentuk analitik fungsi, atau turunannya. Satu-satunya hal yang dapat saya lakukan adalah mengevaluasi fungsi point-wise, dengan memasukkan nilai θ∗θ∗\theta_* dan mendapatkan estimasi NOISY f^(θ∗)f^(θ∗)\hat{f}(\theta_*) …
2
Makna metode heuristik (meta)
Untuk optimasi, dari Wikipedia : Dalam ilmu komputer, metaheuristik menunjuk metode komputasi yang mengoptimalkan masalah dengan secara iteratif mencoba meningkatkan solusi kandidat terkait dengan ukuran kualitas yang diberikan. Metaheuristik membuat sedikit atau tidak ada asumsi tentang masalah yang sedang dioptimalkan dan dapat mencari ruang solusi kandidat yang sangat besar. Namun, …
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.