känna till och med egna ord kunna beskriva de optimeringsalgoritmer, för problem med och utan bivillkor, som berörs i kursen, och deras egenskaper.
känna till teorin för konvexa mängder och konvexa funktioner och kunna formulera och härleda de viktigaste satserna om konvexitet.
vara medveten om hur man kan utnyttja konvexitet vid behandlingen av ett optimeringsproblem.
känna till Karush-Kuhn-Tucker-teorin och kunna formulera och härleda de viktigaste satserna inom denna.
kunna redogöra för principerna för numerisk optimering med linjesökning inklusive de vanligaste metodernas egenskaper.
Färdighet och förmåga
kunna visa förmåga att lösa optimeringsproblem inom kursens ram.
kunna visa förmåga att hantera optimeringsproblem med hjälp av dator.
kunna visa förmåga att i samband med problemlösning i enkla situationer bevisa enkla resultat som inte gåtts igenom i kursen.
kunna redogöra för sambanden mellan olika begrepp i kursen, med adekvat terminologi, och på ett välstrukturerat och logiskt sammanhängande sätt.
med adekvat terminologi, lämpliga beteckningar, väl strukturerat och logiskt sammanhängande kunna redogöra för lösningen till matematiska problem och för teori inom kursens ram.
Värderingsförmåga och förhållningssätt
kunna förklara varför konvexa optimeringsproblem har bättre egenskaper än andra.
Kursinnehåll
Kvadratiska former och matrisfaktorisering. Konvexitet. Separerande plan och Farkas lemma. Teori för optimering med och utan bivillkor: Lagrange-funktioner, Karush-Kuhn-Tucker-teori. Dualitet. Metoder för optimering utan bivillkor: linjesökning, descentmetoder, Newton-metoder, konjugerade riktningar, olinjär minsta kvadrat-optimering. Nelder-Meads sökmetod utan derivator. Metoder för optimering med bivillkor: linjär optimering, kvadratisk programmering, straffunktioner och barriärfunktioner.