Kursplan för Optimeringsmetoder
Optimisation
Kursplan
- 5 högskolepoäng
- Kurskod: 1TD184
- Utbildningsnivå: Avancerad nivå
-
Huvudområde(n) och successiv fördjupning:
Datavetenskap A1N,
Dataanalys A1N,
Teknik A1N,
Tillämpad beräkningsvetenskap A1N
Förklaring av koder
Koden visar kursens utbildningsnivå och fördjupning i förhållande till andra kurser inom huvudområdet och examensfordringarna för generella examina:
Grundnivå
G1N: har endast gymnasiala förkunskapskrav
G1F: har mindre än 60 hp kurs/er på grundnivå som förkunskapskrav
G1E: innehåller särskilt utformat examensarbete för högskoleexamen
G2F: har minst 60 hp kurs/er på grundnivå som förkunskapskrav
G2E: har minst 60 hp kurs/er på grundnivå som förkunskapskrav, innehåller examensarbete för kandidatexamen
GXX: kursens fördjupning kan inte klassificeras.Avancerad nivå
A1N: har endast kurs/er på grundnivå som förkunskapskrav
A1F: har kurs/er på avancerad nivå som förkunskapskrav
A1E: innehåller examensarbete för magisterexamen
A2E: innehåller examensarbete för masterexamen
AXX: kursens fördjupning kan inte klassificeras. - Betygsskala: Underkänd (U), godkänd (3), icke utan beröm godkänd (4), med beröm godkänd (5)
- Inrättad: 2010-03-18
- Inrättad av: Teknisk-naturvetenskapliga fakultetsnämnden
- Reviderad: 2019-10-29
- Reviderad av: Teknisk-naturvetenskapliga fakultetsnämnden
- Gäller från: vecka 27, 2020
- Behörighet: 120 hp inklusive 30 hp matematik, Programmeringsteknik I och Beräkningsvetenskap II eller motsvarande. Engelska 6. (Med en svensk kandidatexamen uppfylls kravet på engelska.)
- Ansvarig institution: Institutionen för informationsteknologi
Mål
Efter godkänd kurs ska studenten kunna:
- formulera problemställningar från teknik och naturvetenskap som optimeringsproblem;
- beskriva och förklara idén bakom de algoritmer som ingår i kursen;
- förklara och tillämpa grundläggande begrepp inom optimeringsområdet såsom konvexitet, baslösningar, extrempunkter, dualitet, konvergenshastighet, Lagrangian, KKT-villkor;
- välja lämplig numerisk metod för olika klasser av optimeringsproblem med utgångspunkt från metodernas fördelar och begränsningar för olika problem;
- använda programvara för lösning av optimeringsproblem inom olika tillämpningsområden
Innehåll
Exempel på optimeringsproblem för operationsanalys och för tekniska, naturvetenskapliga och finansiella tillämpningar. Formulering av problemställningar från dessa områden som optimeringsproblem.
Konvexitet och optimalitet. Optimalitetsvillkor för obegränsad optimering. Numeriska metoder för obegränsad optimering: Newtons metod, Steepest descent (brantaste lutningsmetoden), och kvasi-Newtonmetoder. Metoder för att garantera descentriktningar, linjesökning. Icke-linjära minstakvadratmetoder (Gauss-Newton).
Optimalitetsvillkor för optimering med bivillkor (KKT villkor). Orientering om metoder för optimering med bivillkor (straff- och barriärmetoder, Simplexmetoden). Dualitet och komplementaritet.
Den programvara som används är MATLAB inklusive Optimisation Toolbox.
Undervisning
Föreläsningar, seminarier och inlämningsuppgifter.
Examination
Skriftlig tentamen (3 hp). Inlämningsuppgifter (2 hp).
Om särskilda skäl finns får examinator göra undantag från det angivna examinationssättet och medge att en enskild student examineras på annat sätt. Särskilda skäl kan t.ex. vara besked om särskilt pedagogiskt stöd från universitetets samordnare för studenter med funktionsnedsättning.
Versioner av kursplanen
- Senaste kursplan (giltig från vecka 27, 2020)
- Äldre kursplan (giltig från vecka 24, 2019)
- Äldre kursplan (giltig från vecka 27, 2014)
- Äldre kursplan (giltig från vecka 27, 2013)
- Äldre kursplan (giltig från vecka 24, 2013)
- Äldre kursplan (giltig från vecka 30, 2011)
- Äldre kursplan (giltig från vecka 34, 2010)
Litteratur
Litteraturlista
Gäller från: vecka 27, 2020
I bibliotekets söktjänst kan du se om en titel finns elektroniskt.
-
Griva, Igor.;
Nash, Stephen;
Sofer, Ariela
Linear and nonlinear optimization
2nd ed.: Philadelphia: Society for Industrial and Applied Mathematics, c2009
Obligatorisk