od Davpe » 27. 6. 2012 22:30
Přidám tu ještě zážitky z termínu 27.06.2012
Téma: Nelineární programování - jen teorie bez algoritmů
(další témata co padala: parametrické, celočíselné, vícekriteriální, nelineární - jen algoritmy)
Úlohu NLP a jak se liší od ostatních disciplín
- alespoň jedna z funkcí není lineární
Co je konvexní programování
- všechny funkce musí být konvexní
Pak si stěžovala, že ji někdo neuměl nadefinovat ani konvexní funkci a chtěla ji nadefinovat (což jsem zpaměti nevěděl) a tvářila se jako že když to nezvládnu, tak mě vyhodí (tohle byl můj druhý pokus a když po mě minule chtěla nadefinovat něco co jsem nezvládl, tak se tvářila stejně). Nakonec jsem to teda vymyslel.
Jak poznáme konvexní funkci
- Hessova matice je PSD
Co když funkce není diferenciovatelná, lze nějak poznat že je konvexní
- součet či pozitivní lin. kombinace konvex. funkcí je konvexní
(tady jsem nevěděl, ale napsala na vedlejší papír součet tří konvexních funkcí, tak mi to docvaklo
Nejdůležitější vlastnost konvexních funkcí
- lokální minimum konvexní funkce je absolutní
a náčrt důkazu (načrtl jsem ji 2D důkaz, ale chtěla to obecně, trik je tam, že se to převede to 2D (jakoby pohled shora)
K-T podmínky
(chtěla význam 2. podmínky - optimum je uvnitř množiny funkcí g_j, a co získáme kombinací 4. a 3. podmínky (že u =0 nebo g_j =0 nebo tak něco)
pak se zeptala na dualitu, jen definice, zmínila se, že existují i jiné duality
K čemu jsou K-T podmínky
- bod který je splňuje je optimum
Pro jaké úlohy jsou K-T podmínky obzvlášť vhodné
- kvadratické programování - díky derivacím se to převede na soustavu lineárních rovnic
Tím NLP skončilo (díkybohu se neptala na kvazi/pseudo konvexní a různé jiné hnusy a že jich tam bylo)
Pak se ptala na LP, konkrétně jak získáme další optimální řešení když už jedno máme (ta mají stejnou hodnotu cílové funkce)
- V tabulce najdeme v kriteriálním řádku nulu (u nebázické), a provedeme krok SM.
Co když jsou všechny hodnoty v tomto sloupci záporné
- pak tam leží celá úsečka (to jsem nevěděl)
Výsledně za 1, celkem jsem to tam motal (sama říkala, že to je těsné, přišlo mi to spíš na dvojku) a dost jsem toho nechápal (naštěstí se na to buď neptala nebo se mi to povedlo zamlžit). Sama říkala, že to je přehledová přednáška a že je těžké to jen tak proletět.
Jo a i když máta zadáno jedno téma, tak poté, co ho proberete se ptá na jiné téma (kolegy co měl celočíselné se ptala na nelineární a Franka-Wolfa, dalšího co měl vícekriteriální se ptala na parametrické, mě na lineární apod.)
Jo a přede mnou dostali 3 jedničku, jednoho vyhodila a jeden za 3.
Přidám tu ještě zážitky z termínu 27.06.2012
Téma: Nelineární programování - jen teorie bez algoritmů
(další témata co padala: parametrické, celočíselné, vícekriteriální, nelineární - jen algoritmy)
Úlohu NLP a jak se liší od ostatních disciplín
- alespoň jedna z funkcí není lineární
Co je konvexní programování
- všechny funkce musí být konvexní
Pak si stěžovala, že ji někdo neuměl nadefinovat ani konvexní funkci a chtěla ji nadefinovat (což jsem zpaměti nevěděl) a tvářila se jako že když to nezvládnu, tak mě vyhodí (tohle byl můj druhý pokus a když po mě minule chtěla nadefinovat něco co jsem nezvládl, tak se tvářila stejně). Nakonec jsem to teda vymyslel.
Jak poznáme konvexní funkci
- Hessova matice je PSD
Co když funkce není diferenciovatelná, lze nějak poznat že je konvexní
- součet či pozitivní lin. kombinace konvex. funkcí je konvexní
(tady jsem nevěděl, ale napsala na vedlejší papír součet tří konvexních funkcí, tak mi to docvaklo
Nejdůležitější vlastnost konvexních funkcí
- lokální minimum konvexní funkce je absolutní
a náčrt důkazu (načrtl jsem ji 2D důkaz, ale chtěla to obecně, trik je tam, že se to převede to 2D (jakoby pohled shora)
K-T podmínky
(chtěla význam 2. podmínky - optimum je uvnitř množiny funkcí g_j, a co získáme kombinací 4. a 3. podmínky (že u =0 nebo g_j =0 nebo tak něco)
pak se zeptala na dualitu, jen definice, zmínila se, že existují i jiné duality
K čemu jsou K-T podmínky
- bod který je splňuje je optimum
Pro jaké úlohy jsou K-T podmínky obzvlášť vhodné
- kvadratické programování - díky derivacím se to převede na soustavu lineárních rovnic
Tím NLP skončilo (díkybohu se neptala na kvazi/pseudo konvexní a různé jiné hnusy a že jich tam bylo)
Pak se ptala na LP, konkrétně jak získáme další optimální řešení když už jedno máme (ta mají stejnou hodnotu cílové funkce)
- V tabulce najdeme v kriteriálním řádku nulu (u nebázické), a provedeme krok SM.
Co když jsou všechny hodnoty v tomto sloupci záporné
- pak tam leží celá úsečka (to jsem nevěděl)
Výsledně za 1, celkem jsem to tam motal (sama říkala, že to je těsné, přišlo mi to spíš na dvojku) a dost jsem toho nechápal (naštěstí se na to buď neptala nebo se mi to povedlo zamlžit). Sama říkala, že to je přehledová přednáška a že je těžké to jen tak proletět.
Jo a i když máta zadáno jedno téma, tak poté, co ho proberete se ptá na jiné téma (kolegy co měl celočíselné se ptala na nelineární a Franka-Wolfa, dalšího co měl vícekriteriální se ptala na parametrické, mě na lineární apod.)
Jo a přede mnou dostali 3 jedničku, jednoho vyhodila a jeden za 3.