Hovedfagspresentasjon. Preprosessing Large Scale Linear Systems

Like dokumenter
TMA4122/TMA4130 Matematikk 4M/4N Høsten 2010

6.4 (og 6.7) Gram-Schmidt prosessen

Lineær uavhengighet og basis

MAT Oblig 1. Halvard Sutterud. 22. september 2016

MAT-1004 Vårsemester 2017 Obligatorisk øving 3

Matlab-tips til Oppgave 2

Oblig 2 - MAT1120. Fredrik Meyer 23. september 2009 A =

Newtons metode for system av ligninger

EKSAMEN I NUMERISK LINEÆR ALGEBRA (TMA4205)

EKSAMEN I NUMERISK LINEÆR ALGEBRA (TMA4205)

MA2501 Numeriske metoder

MA2501 Numeriske metoder

Det matematisk-naturvitenskapelige fakultet

LP. Leksjon 6: Kap. 6: simpleksmetoden i matriseform, og Seksjon 7.1: følsomhetsanalyse

RF5100 Lineær algebra Leksjon 2

Vær OBS på at svarene på mange av oppgavene kan skrives på flere ulike måter!

Øvingsforelesning i Matlab TDT4105

Ikke lineære likninger

Læreplan i Programmering og modellering - programfag i studiespesialiserende utdanningsprogram

Numerisk lineær algebra for Poissons ligning

10 Radrommet, kolonnerommet og nullrommet

Minste kvadraters metode i MATLAB og LabVIEW

Emne 7. Vektorrom (Del 1)

Logistisk regresjon 2

Rekursjon og lister. Stephan Oepen & Erik Velldal. 1. februar, Universitetet i Oslo

MAT-1004 Vårsemester 2017 Obligatorisk øving 6

MAT1120 Oppgaver til plenumsregningen torsdag 25/9

Utkast til: Løsningsforslag til eksamen i. Ingeniørfaglig yrkesutøvelse og arbeidsmetoder. 18.des for oppgave 1, 2 og 3

(3/2)R 2+R 3 R 1 +R 2,( 2)R 1 +R 3 ( 2)R 1 +R 4 6/5R 3 +R 4 1/5R 3


EKSAMEN I EMNE TIØ4120 OPERASJONSANALYSE, GK. Torsdag 2. desember 2010 Tid: kl

TMA4245 Statistikk Eksamen desember 2016

6.5 Minste kvadraters problemer

MATLAB for STK1100. Matematisk institutt Univeristetet i Oslo Januar Enkel generering av stokastiske variabler

MAT1120 Repetisjon Kap. 1

MAT1110: Obligatorisk oppgave 2, V Løsningsforslag

EKSAMEN I FAG TMA4315 GENERALISERTE LINEÆRE MODELLER Torsdag 14. desember 2006 Tid: 09:0013:00

6.6 Anvendelser på lineære modeller

Bruk piazza for å få rask hjelp til alles nytte!

Homogene lineære ligningssystem, Matriseoperasjoner

a) Matrisen I uv T har egenverdier 1, med multiplisitet n 1 og 1 v T u, med multiplisitet 1. Derfor er matrisen inverterbar når v T u 1.

TMA4110 Eksamen høsten 2018 EKSEMPEL 1 Løsning Side 1 av 8. Løsningsforslag. Vi setter opp totalmatrisen og gausseliminerer: x 1 7x 4 = 0

LP. Leksjon 1. Kapittel 1 og 2: eksempel og simpleksmetoden

UNIVERSITETET I OSLO

Øvingsforelesning TDT4105 Matlab

TDT4105 Informasjonsteknologi, grunnkurs (ITGK)

Snøtetthet. Institutt for matematiske fag, NTNU 15. august Notat for TMA4240/TMA4245 Statistikk

Ma Linær Algebra og Geometri Øving 1

Øving 1 TMA Grunnleggende dataanalyse i Matlab

TDT4105 Informasjonsteknologi, grunnkurs (ITGK)

Tall, vektorer og matriser

TMA4240 Statistikk Høst 2016

4.9 Anvendelser: Markovkjeder

UNIVERSITETET I OSLO

Eksamensoppgave MAT juni 2010 (med løsningsforslag)

MAT1120 Oppgaver til plenumsregningen torsdag 18/9

EKSAMEN I TIØ4120 OPERASJONSANALYSE, GK Tirsdag 4. desember 2012 Tid: kl (Bokmål)

Matematikk Øvingsoppgaver i numerikk leksjon 11 Eulers metode. Løsningsforslag

Lineære ligningssystem og matriser

Obligatorisk oppgavesett 2 MAT1120 H16

Bruks- og monteringsanvisning til Abilica SportElip Art. Nr

Utviklingssak/ID Resume Endring (g2) Rettet i versjon (g1) Rettet i versjon

INF2810: Funksjonell Programmering. Lister og høyereordens prosedyrer

DAFE ELFE Matematikk 1000 HIOA Obligatorisk innlevering 3 Innleveringsfrist Torsdag 26. mars 2015 Antall oppgaver:

Matriseoperasjoner. E.Malinnikova, NTNU, Institutt for matematiske fag. September 22, 2009

3.9 Teori og praksis for Minste kvadraters metode.

MA1102 Grunnkurs i analyse II Vår 2014

EKSAMEN I EMNET MAT160 Beregningsalgoritmer 1 Mandag 12 februar 2007 LØSNINGSFORSLAG

Oblig2 - obligatorisk oppgave nr. 2 (av 4) i INF1000 v2008

4.1 Vektorrom og underrom

Mål på beliggenhet (2.6) Beregning av kvartilene Q 1, Q 2, Q 3. 5-tallssammendrag. ST0202 Statistikk for samfunnsvitere

Lineær analyse i SIMULINK

Det matematisk-naturvitenskapelige fakultet Økt forståelse for matematikk ved bruk av programmering Sinusseminar 2019

Prøveeksamen i STK3100/4100 høsten 2011.

6.4 Gram-Schmidt prosessen

Lineære ligningssystem; Gauss-eliminasjon, Redusert echelonmatrise

f (x) = a 0 + a n cosn π 2 x. xdx. En gangs delvisintegrasjon viser at 1 + w 2 eixw dw, 4 (1 + w 2 ) 2 eixw dw.

SIF5010 Matematikk 3. y 00, 2y 0 +5y = sin x 4A, 2B =0 4B +2A =1;

Appendiks 5 Forutsetninger for lineær regresjonsanalyse

ST0202 Statistikk for samfunnsvitere

Oblig 1 FYS2130. Elling Hauge-Iversen

41070 STABILITET I ELKRAFTSYSTEMER

Eksamensoppgave i MA1201 Lineær algebra og geometri

Obligatorisk oppgavesett 1 MAT1120 H16

Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 7 L SNINGSFORSLAG TIL EKSAMEN I SIF5009 MATEMATIKK 3 Bokmål Man

Notat 6 - ST februar 2005

MA1201, , Kandidatnummer:... Side 1 av 5. x =.

Moderne optimering mer enn å derivere!!

Basis, koordinatsystem og dimensjon

SMART LED trappelys kontroller [5-20 lyspunkter]

5.8 Iterative estimater på egenverdier

Kap. 6 Ortogonalitet og minste kvadrater

INF1000 undervisningen INF 1000 høsten 2011 Uke september

INF 1000 høsten 2011 Uke september

4.1 Vektorrom og underrom

Løsning ved iterasjon

UNIVERSITETET I OSLO

Oblig2 - obligatorisk oppgave nr. 2 (av 4) i INF1000 h2006

Øvingsforelesning TDT4105 Matlab

ProFag Realfaglig programmering

Transkript:

Hovedfagspresentasjon Preprosessing Large Scale Linear Systems Bernt Asbjørn Omland Institutt for Informatikk ved Universitet i Bergen 18 Desember 2003 1

Oversikt Preprosessering Yinue Ye og M.C. Cheng sine bidrag Numeriske eksperimenter Kombinasjon av metodene Oppsummering 2

Preprosessering Bruksområder for preprosessering: Transformere problemet til standard form Eliminere overflødige variable Eliminere overflødige sidekrav Stramme inn grenser 3

Yinue Ye og M.C. Cheng sine bidrag Generell informasjon om metodene: Begge metodene er kolonne elimineringsteorem for lineære programmeringsproblem. Metodene kan brukes til å eliminere kolonner før man starter å løse det aktuelle problemet, og etter hver iterasjon. Begge metodene krever en approksimasjon av optimalløsningen for å effektivt finne overflødige variable. Desto bedre denne approksimasjonen er, desto mer effektive er metodene. 4

Numeriske eksperimenter Test dataene løses ved bruk av egenprodusert Simplexløser i Matlab. Elimineringsmetodene er programmert inn og eliminerer kolonner fra problemene i hver iterasjon dersom overflødige kolonner blir funnet. Antall kolonner som elimineres etter hver iterasjon blir lagret og presentert i tabeller. De tre første og siste iterasjon er presentert i tabellene for ulike approksimasjoner ( ) av optimalløsningen. ( ) variererer fra til korrekt løsning. Problemdataene som ble brukt er tilfeldig genererte problem, av varierende størrelse og innhold. 5

Eksempel 1 Cheng Ye 1 2 3 end 1 2 3 end 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.01 49.9 49.9 49.9 49.9 0.00 0.17 0.23 0.33 49.9 49.9 49.9 49.9 0.00 1.73 2.44 5.05 49.9 50.0 50.0 50.1 0.00 4.48 6.41 25.7 49.9 50.2 50.3 50.7 0.00 6.16 9.00 60.8 49.9 50.3 50.5 51.1 0.00 7.33 10.8 100 49.9 50.4 50.6 51.5 Matrise!#"%$!#"#"'& består av: ")(*,+ -(.!#"#"%$/10324#$5565$6!#" and 7)24#$55656$/!#"#"'&, der 8#" prosent elementer lik null. Vektor 9 består av: :3;#!#"<=9 -<=;#!#"%$>7?2@#$5565$6!#"#"'& der!#"'a av verdiene er B=". Cheng s metode er i dette tilfelle ikke særlig effektiv før approksimasjonen ( ) av optimalløsningen er mindre enn eller lik CED%FE. Ye s metode eliminerer omtrent G*H prosent av de overflødige kolonnene allerede når er mindre enn eller lik C=HIHE. 6

Eksempel 2 Cheng Ye 1 2 3 end 1 2 3 end 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.73 0.74 0.74 0.74 0.11 0.11 0.11 0.11 5.51 5.65 5.73 5.88 2.08 2.09 2.10 2.10 10.4 10.8 11.1 16.4 4.93 4.97 5.01 5.03 12.7 13.2 13.7 42.2 6.57 6.61 6.66 6.70 14.0 14.7 15.3 100 7.56 7.60 7.63 7.68 Matrise "#"%$J!#"#"'& består av: :3;#"#")(*K+ -L(NM#"#"%$O032P#$65565$"#" and 7Q24#$65556$J!#"#"'& der!#" prosent elementer lik null. Vektor 9 består av: :3;#!#"<=9 -<=;#!#"%$>7?2@#$5565$6!#"'& der!#" prosent av verdiene er større enn null. Ye s metode er her klart svakere enn i eksempel 1. Cheng s metode er noe bedre, men trenger en god approksimasjon og mange iterasjoner. 7

Eksempel 3 Cheng Ye 1 2 3 end 1 2 3 end 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 3.16 3.16 3.16 3.16 0.00 0.00 0.00 0.00 3.16 3.16 3.16 3.16 0.00 0.00 0.00 0.00 3.16 3.16 3.16 3.16 0.00 0.00 0.00 0.29 3.16 3.16 3.16 3.16 0.00 0.00 0.00 4.25 3.16 3.16 3.16 3.16 0.00 0.00 0.00 79.5 3.16 3.16 3.16 3.16 Matrise R18#"#"%$S8#"#"#"'& består av: "T(UK+ -V(W;#"#"#"%$/O0X2I#$565/56$ 8#"#" and 7T2N#$/56556$J8#"#"#"'& der Y#! prosent av elementene er lik null. Vektor 9 består av: :38#;#"Z<[9 -Z<\M#"%$] 7?2@#$565/56$J8#"#"#"'& der Y#! prosent av verdiene er lik null. Begge metodene gir svake resultater på glisne problem 8

Kombinasjon av metodene Begge metodene ble brukt i samme program. Resultater fra tidligere tester viste at Ye s metode som oftest eliminerte kolonner i tidlige iterasjoner, mens Cheng sin metode som oftest var mest effektiv i senere iterasjoner. Ye s metode ble brukt til å eliminere kolonner i de fire første iterasjonene, mens Cheng s metode eliminerte kolonner i hver fjerde iterasjon etter det. 9

15000 12500 Combined 7 min 24 sec Ye 12 min 5 sec Cheng 23 min 51 sec Number of eliminated columns 10000 7500 5000 2500 0 0 20 40 60 80 100 120 140 160 180 200 Iteration count Figur 1: Graph displaying the elimination process performed on a ^`_badceckfg_ h adcecec linear problem 3500 3000 Ye 5 min 10 sec Cheng 6 min 13 sec Combined 3 min 50 sec Number of eliminated columns 2500 2000 1500 1000 500 0 0 5 10 15 20 25 30 35 40 45 50 Iteration count Figur 2: Graph displaying the elimination process performed on a ^i_kjeadceckf%gl_ m adcec linear problem 10

Løsningstid Fra figur 1 Fra figur 2 Metode Minutter Sekunder Minutter Sekunder Ingen eliminering 9 25 5 12 Ye 12 5 5 10 Cheng 23 51 6 13 Kombinasjon 7 24 3 50 Oppsummering Metodene kan brukes til å eliminere kolonner i lineære programmeringsproblem. Resultatene varierer mye fra problem til problem. Spesielt glisne problem gir ofte svakere resultat. Krever en approksimasjon av optimalløsningen. Desto bedre den er, desto fler unødvendige variable oppdages. En kombinasjon av metodene har i mange tilfeller gitt lavere løsningstid dersom approksimasjonen har vært god nok. 11