پروژه نرم افزار بهینه‌سازی گرادیانی نامقید با استفاده از نرم افزارهای فرترن و ++C

آنچه در این برنامه ارایه گردیده است توسعه کد بهینه‌سازی بر مبنای روشهای گرادیانی نامقید می‌باشد. در این برنامه از چهار روش شناخته شده گرادیانی نامقید به نامهای روش بیشترین شیب نزولی ( کوشی)، روش گرادیان توام ( فلچر-ریوس)، روش دیوید-فلچر-پاول و روش برویدن-فلچر-گلدفارب-شانو که در ادامه به توضیح آنها می‌پردازیم استفاده شده است. در این گزارش ابتدا چهار روش فوق و همچنین بقیه الزامات این روشها را به اختصار توضیح داده و سپس برای اعتبارسنجی از چند نمونه تابع ریاضی استفاده شده است. روشهای گرادیانی بر مبنای گرادیان تابع هزینه کار می‌کنند. این روشها در مقایسه با روشهای غیر گرادیانی و یا تکاملی سرعت بیشتری داشته و دارای هزینه محاسباتی کمتری هستند اما مشکل اساسی در این روشها این است که ممکن است به جای بدست آوردن نقطه بیشینه یا کمینه سراسری، در نقطه اکسترمم محلی متوقف شوند در صورتی که روشهای تکاملی این عیب را ندارند.

آنچه در این کد خواهیم آموخت:

1- حل مسائل بهینه‌سازی نامقید

2- اعمال روشهای بهینه سازی نامقید به مسئله بهینه‌سازی

3- معادلات و الگوریتم روشهای بهینه‌سازی نامقید

4- نحوه محاسبه گام طراحی

5- نحوه مینیمم‌سازی توابع هزینه ریاضی با حل مسئله بهینه‌سازی

ریاضی
حوزه تخصصی 1	سایر
مشخصات کلی
تعداد صفحات	21
تعداد صفحات محصول	20-40
معرفی متغیر های ورودی نرم افزار	دارد
نمودارهای خروجی	دارد
زبان برنامه نویسی
زبان برنامه نویسی اول	FORTRAN
زبان برنامه نویسی دوم	++C

نظر بدهید

نام شما

نظر شما

توجه: HTML ترجمه نمی شود!

رتبه بد خوب

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Aliquam iaculis egestas laoreet. Etiam faucibus massa sed risus lacinia in vulputate dolor imperdiet. Curabitur pharetra, purus a commodo dignissim, sapien nulla tempus nisi, et varius nulla urna at arcu.Lorem ipsum dolor sit amet, consectetur adipiscing elit. Aliquam iaculis egestas laoreet. Etiam faucibus massa sed risus lacinia in vulputate dolor imperdiet. Curabitur pharetra, purus a commodo dignissim, sapien nulla tempus nisi, et varius nulla urna at arcuLorem ipsum dolor sit amet, consectetur adipiscing elit. Aliquam iaculis egestas laoreet. Etiam faucibus massa sed risus lacinia in vulputate dolor imperdiet. Curabitur pharetra, purus a commodo dignissim, sapien nulla tempus nisi, et varius nulla urna at arcu.