‌حسین زارع

دانش‌آموخته‌ی دکتری ریاضی کاربردی دانشگاه تربیت مدرس

‌حسین زارع

دانش‌آموخته‌ی دکتری ریاضی کاربردی دانشگاه تربیت مدرس

آخرین نظرات
  • ۶ آذر ۹۹، ۱۳:۰۰ - امیر حاتمی
    ممنون.
کتاب "در جستجوی ناشناخته‌: ۱۷ معادله که دنیا را تغییر دادند"، نوشته‌ی یان استوارت

از قضیه‌ی فیثاغورس تا معادله‎ی بلک-شولز ...،
از پایه‌ای‌ترین معادله در مثلثات تا مهمترین معادله در ریاضیات مالی ...

یان استوارت، استاد بازنشسته‌ی ریاضی دانشگاه وارویک، در شاهکار بی‌نظیر خود نشان می‌دهد که هفده معادله‌ی مهم جهان ما را تغییر داده‌اند. او در این کتاب، قدرت و زیبایی ریاضیات پشت این معادلات را به‌خوبی توضیح می‌دهد. این کتاب را می‌توانید از اینجا دانلود کنید.
پی‌نوشت (تکمیلی): این کتاب در سال 2017 برنده جایزه کتاب اویلر از جامعه‌ی ریاضی آمریکا شده است.

Ian Stewart (Professor of Mathematics at the University of Warwick)

استوارت می‌گوید که معادلات ریاضی گاهی خسته‌کننده و پیچیده به نظر می‌رسند و دلیل آن هم این است که با روش‌های پیچیده و خسته‌ کننده‌ای بیان شده‌اند. او اضافه می‌کند که هر کسی می‌تواند از زیبایی و اهمیت این معادلات قدردانی کند بدون این که روش حل آن‌ها را بداند. هدف از معرفی این معادلات این است که جایگاه آن‌ها را در زندگی انسان درک کنیم و از جنبه‌های ناگفته و پنهان آن‌ها در تاریخ پرده برداریم. این معادلات، بخش حیاتی و مهم فرهنگ ما هستند؛ چرا که هر کدام از آن‌ها داستانی را به همراه خود دارند. این داستان‌های جذاب درباره‌ی افرادی است که آن‌ها را کشف کرده‌اند و به نوعی شرایط زمانی آن‌ دوران را بازگو می‌کنند.


این ۱۷ معادله عبارت هستند از:

1. قضیه‌ی فیثاغورس (فیثاغورس، 530 سال قبل از میلاد)


$a^2+b^2=c^2$

2. لگاریتم‌‌ها (جان نپر، 1610)


$\log xy = \log x + \log y$

 3. حسابان (نیوتن، 1668)


$\frac{\text{d}f}{\text{d}t}=\lim_{h \rightarrow 0}\frac{f(t+h)-f(t)}{h}$

4. قانون گرانش (نیوتن، 1687)


$F=G\frac{m_1m_2}{r^2}$

5. ریشه‌ی دوم منفی یک (اویلر، 1750)


$i^2=-1$

6. فرمول اویلر برای چندوجهی‌ها (اویلر، 1751)


$V-E+F=2$

7. توزیع نرمال (گاوس، 1810)


$\Phi(x)=\frac{1}{\sqrt{2\pi\sigma}}\, e^{-\frac{(x - \mu)^2}{2 \sigma^2}}$

8.معادله‌ی موج (دالامبر، 1746)


$\frac{\partial^2 u}{\partial t^2}=c^2\frac{\partial^2 u}{\partial x^2}$

9. تبدیل فوریه (فوریه، 1822)


$f(\omega)=\int_{-\infty}^{+\infty} f(x)e^{-2\pi ix\omega}dx$

 10. معادله‌ی ناویر-استوکس (سی. ناویر و جی. استوکس، 1845)


$\rho(\frac{\partial \bf v}{\partial t}+{\bf v }\cdot\nabla{\bf v})=-\nabla{p}+\nabla\cdot{\bf T}+{\bf f}$

 11. معادلات ماکسول (ماکسول، 1865)

 


$\nabla\cdot{\bf E}=0,~~~~~~~~
\nabla\times{\bf E}=-\frac{1}{c}\frac{\partial \bf H}{\partial t},\\\nabla\cdot{\bf H}=0
,~~~~~~~
\nabla\times{\bf H}=\frac{1}{c}\frac{\partial \bf E}{\partial t}.$

12.قانون دوم ترمودینامیک (بولتزمن، 1874)


$\text{d}S\ge 0$

13. نسبیت (اینشتین، 1905)


$E=m{{c}^{2}}$

14. معادلات شرودینگر (شرودینگر، 1927)


$ih\frac{\partial }{\partial t}\psi =H\psi$

15. نظریه‌ی اطلاعات (شانون، 1949)


$H=-\sum_x{p(x)\log p(x)}$

16. نظریه‌ی آشوب (رابرت می، 1975)


${{x}_{t+1}}=k{{x}_{t}}(1-{{x}_{t}})$

17. معادله‌ی بلک-شولز (اف. بلک و ام. شولز، 1990)


$\frac{1}{2}{{\sigma }^{2}}{{S}^{2}}\frac{{{\partial }^{2}}V}{\partial {{S}^{2}}}+rS\frac{\partial V}{\partial S}+\frac{\partial V}{\partial t}-rV=0$
۰ نظر موافقين ۰ مخالفين ۰ ۰۱ ارديبهشت ۹۵ ، ۰۲:۰۶
حسین زارع

عددهای $e$ و $\pi $ در مباحث مختلف ریاضیات به وفور ظاهر می‌شوند. در این پست قصد داریم به بیان چند دانستنی‌ در مورد آن‌ها بپردازیم. این اعداد را می‌شناسید. $\pi $ نسبت محیط دایره به قطر آن است. مقدار تقریبی $\pi $ تا دو رقم اعشار برابر است با 3.14 . به همین جهت است که روز چهاردهم مارس را به عنوان روز جهانی عدد $\pi $ نامگذاری کرده اند. مقدار تقریبی آن تا 10 رقم اعشار نیز عبارت است از:$$\pi \approx  3.1415926535$$

عدد $e$ مبنای لگاریتم طبیعی است و معمولا در کتاب‌های ریاضی به‌ یکی از دو صورت زیر تعریف می‌شود:$$e=\underset{n\to \infty }{\mathop{\lim }}\,{{(1+\frac{1}{n})}^n}$$ یا عدد مثبت $x$ ی که به‌ازای آن \[\int_{1}^{x}{\frac{1}{t}}\text{  }dt=1\text{  }\]این عدد را گاهی عدد نپر و گاهی عدد اویلر می‌نامند. در حقیقت نخستین بار جان نپر، ریاضیدان اسکاتلندی در سال 1618 با این ثابت مواجه شد، منتها نمادگذاری این عدد، اثبات گنگ بودن آن (1737) و تقریب آن تا 23 رقم اعشار (1748) توسط اویلر صورت گرفت. تقریب این عدد تا 15 رقم اعشار عبارت است از $$e \approx  2.718281828459045$$

۱ نظر موافقين ۰ مخالفين ۰ ۲۸ فروردين ۹۵ ، ۰۰:۰۷
حسین زارع

روش گرادیان مزدوج:

روش گرادیان‌ مزدوج، یک روش تکراری برای حل دستگاه معادلات خطی $Ax=b$ می‌باشد که در آن $A$ ماتریسی $n\times n$ متقارن و معین مثبت است. به سادگی دیده می‌شود که حل دستگاه فوق، هم‌ارز با حل مسئله‌ی بهینه‌سازی درجه دوم زیر است:

$$\min f\left( x \right)=\frac{1}{2}{{x}^{t}}Ax-{{b}^{t}}x$$

 این هم‌ارزی موجب می‌شود که روش گرادیان مزدوج به‌عنوان روشی برای یافتن کمینه‌ی توابع محدب درجه دوم مورد استفاده قرار گیرد. البته همانند بخش قبل می‌توان آن را برای توابع غیر درجه دوم نیز به‌کار برد. توجه کنید که: $$\nabla f\left( x \right)=Ax-b=r\left( x \right).$$ از آن‌جا که روش گرادیان مزدوج، بر پایه‌ی جهت‌های مزدوج بنا شده است، بنابراین ابتدا شرح مختصری از جهت‌های مزدوج می‌آوریم.

تعریف: فرض کنید $A$ یک ماتریس متقارن باشد. بردارهای ${{p}_{1}}$ و ${{p}_{2}}$ را $A$-متعامد یا مزدوج نسبت به $A$ می‌نامیم هرگاه $p_{1}^{t}A{{p}_{2}}=0$. یک مجموعه‌ی متناهی از بردارها مانند $\left\{ {{p}_{1}},{{p}_{2}},\ldots ,{{p}_{l}} \right\}$ را یک مجموعه‌ی $A$-متعامد یا مزدوج نسبت به $A$ می‌نامیم هرگاه به‌ازای هر $i\ne j$ داشته باشیم $p_{i}^{t}A{{p}_{j}}=0$.

مثال: بردارهای ${{p}_{1}}=\left(\begin{matrix}-7\\4\\\end{matrix}\right)$ و ${{p}_{2}}=\left(\begin{matrix}5\\-2 \\\end{matrix} \right)$  نسبت به ماتریس $A=\left( \begin{matrix}2 & 3\\ 3 & 4 \\\end{matrix} \right)$ مزدوج هستند. اگر $A=0$ آن‌گاه هر دو بردار دلخواه، مزدوج هستند و اگر $A=I$ آن‌گاه بردارهای مزدوج بر هم عمودند.

قضیه: فرض کنید $A$ یک ماتریس معین مثبت باشد. اگر مجموعه بردارهای ناصفر $\left\{ {{p}_{1}},{{p}_{2}},\ldots ,{{p}_{l}} \right\}$ ،$A$-متعامد باشند، آن‌گاه این بردارها مستقل خطی هستند.

اثبات: فرض کنید ثابت‌های ${{\lambda }_{1}},{{\lambda }_{2}},\ldots ,{{\lambda }_{l}}$ موجود باشند به‌طوری که:\[{{\lambda }_{1}}{{p}_{1}}+{{\lambda }_{2}}{{p}_{2}}+\ldots+{{\lambda }_{l}}{{p}_{l}}=0\]

چون برای $i\ne j$ ، $p_{i}^{t}A{{p}_{j}}=0$ ، پس با ضرب رابطه‌ی فوق در $A$ و تشکیل ضرب داخلی با ${{p}_{i}}$ داریم ${{\lambda }_{i}}p_{i}^{t}A{{p}_{i}}=0$ و از آن‌جا که $A$ معین مثبت است، پس ${{\lambda }_{i}}=0$.

در ادامه، روش جهت‌های مزدوج را بیان می‌کنیم. این روش به‌خوبی اهمیت جهت‌های مزدوج را نشان می‌دهد.

۶ نظر موافقين ۰ مخالفين ۰ ۲۵ فروردين ۹۵ ، ۲۳:۱۲
حسین زارع

از قدیم، مردم تنها ریاضیدانان مرد را به حساب می‌آوردند. اما در طول تاریخ، ریاضیدانان زن زیادی بوده‌اند که به اندازه‌ی سهم مردها مشارکت داشته‌اند. اگرچه ممکن است که نام آنها فراموش شده باشد، اما کارهایشان فراموش نشده است. یکی از این ریاضیدانان زن که در آلمان متولد شد، امی نوتر است.

امی نوتر در بیست و سوم مارس سال 1882 در ارلانگن آلمان به دنیا آمد. پدرش استاد دانشگاه ارلانگن بود. در سن 18 سالگی تصمیم گرفت کلاس‌های رشته‌ی ریاضی را در دانشگاه ارلانگن بگذراند. او امتحانات را گذراند و سرانجام به عنوان یک دانشجوی خوب در دانشگاه قرار گرفت. او پس از 5 سال مطالعه، دکتری خود را به پایان رساند و اولین دانشجویی بود که یک سال زودتر فارغ‌التحصیل شده بود. اکنون امی نوتر دکتری ریاضی خود را گرفته است و آماده‌ی پیدا کردن کار در زمینه‌ی تدریس می‌باشد. دانشگاه ارلانگن به دلیل سیاستی که علیه اساتید زن داشت، از بکارگیری او امتناع کرد. با این حال نوتر به تحقیقات خود در آنجا ادامه داد و به چاپ مقالاتی در زمینه‌ی کاری خود پرداخت.

در این زمان فلیکس کلاین و دیوید هیلبرت بر روی یکی از نظریه‌های انیشتین در دانشگاه گوتینگن کار می‌کردند. آنها احساس کردند که تخصص امی نوتر می‌تواند به آنها در کارشان کمک کند. بنابراین از او دعوت کردند که به آنها بپیوندد. اما از آنجایی که هیچ استاد زنی عضو هیئت علمی آنجا نبود، امی نوتر مطمئن نبود که رفتنش به آنجا خوشایند باشد اما در نهایت آمد. او سخت کار می‌کرد و خیلی زود کاری به عنوان مدرس دانشگاه به دست آورد.

امی نوتر فردی خونگرم و صمیمی بود و عمیقاً به دانشجویانش توجه می‌کرد. او دانشجویان را مانند خانواده‌اش به شمار می‌آورد و همواره آماده‌ی شنیدن مشکلاتشان بود. روش تدریس او برای دنبال کردن کار بسیار سخت بود، اما کسانی که روش سریعش را درک می‌کردند از دنبال‌کنندگان پابرجا و همیشگی او بودند. امی نوتر کارهای زیادی در زمینه‌ی ریاضی انجام داد. او اوقات خود را به مطالعه‌ی جبر مجرد، به ویژه حلقه‌ها، گروه‌ها و میدان‌ها می‌پرداخت. از آنجایی که او تنها به دوستان صمیمی خود راجع به بیماری‌اش گفته بود، مرگ نوتر در سال 1935 تقریبا همه را متعجب کرد.

۱ نظر موافقين ۰ مخالفين ۰ ۰۵ اسفند ۹۴ ، ۱۰:۵۸
حسین زارع

یکی از کاربردهای مهم ماتریس نمایی در حل دستگاه معادلات دیفرانسیل معمولی است. برای بررسی این موضوع ابتدا قضیه­‌ی زیر را بیان می­‌کنیم.

قضیه: فرض کنید $A\in {{\mathbb{R}}^{n\times n}}$ و تابع برداری $w~:\mathbb{R}\to {{\mathbb{R}}^{n}}$ پیوسته باشد. در این صورت جواب مسأله‌ی مقدار اولیه‌­ی\begin{cases}{X}'\left(t\right)=AX\left(t\right)+w\left(t\right) \\X\left({{t}_{0}}\right)={{X}_{0}}\in{{\mathbb{R}}^{n}} \end{cases} به ازای هر $t\ge {{t}_{0}}$ به‌صورت زیر خواهد بود:

$$X\left( t \right)={{e}^{\left( t-{{t}_{0}}\right)A}}{{X}_{0}}+ \int_{{t}_{0}}^{t} \,{{e}^{\left( t-s \right)A}}w\left( s \right)ds.$$اثبات: با ضرب معادله­‌ی دیفرانسیل در ${{e}^{(-tA)}}$ داریم: ${{e}^{-tA}}{{X}^{'}}\left( t \right)-{{e}^{-tA}}AX\left( t \right)={{e}^{-tA}}w\left( t \right)$ که معادل است با:$$\frac{d}{dt}({{e}^{-tA}}X\left( t \right))={{e}^{-tA}}w\left( t \right)$$با انتگرالگیری از طرفین این رابطه روی بازه‌­ی $\left[ {{t}_{0}},t \right]$، داریم

$$\int_{{t}_{0}}^{t}\frac{d}{dt}({{e}^{-sA}}X\left( s \right))ds=\int_{{t}_{0}}^{t}\,{{e}^{-sA}}w\left( s \right)ds$$ بنابراین:$${{e}^{-tA}}X\left( t \right)-{{e}^{-{{t}_{0}}A}}X\left( {{t}_{0}} \right)=\int_{{t}_{0}}^{t}\,{{e}^{-sA}}w\left( s \right)ds$$ و در نتیجه با ضرب طرفین این رابطه در ${{e}^{tA}}$ خواهیم داشت:

$$X\left( t \right)={{e}^{\left( t-{{t}_{0}} \right)A}}{{X}_{0}}+\int_{{t}_{0}}^{t}\,{{e}^{\left( t-s \right)A}}w\left( s \right)ds.$$ حال به کمک قضیه­‌ی بالا، برنامه­‌ی Matlab حل یک دستگاه معادلات دیفرانسیل خطی نمونه را به صورت زیر می‌نویسیم.

clear

clc

syms s t

A=[7 -4 ;8 -5]

w_t=[exp(t);exp(t)]

X0=[1;2]

X_t=expm(t*A)* X0+int(expm((t-s)*A)*(subs(w_t,t,s)),s,0,t);

disp('the solution X(t) is:')

X_t

این برنامه دستگاه زیر را حل می­‌کند:$$\left\{\begin{matrix}{{x}_{1}}^{'}=7{{x}_{1}}\left(t\right)-4{{x}_{2}}\left(t\right)+{{e}^{t}},   {{x}_{1}}\left( 0 \right)=1 \\{{x}_{2}}^{'}=8{{x}_{1}}\left(t\right)-5{{x}_{2}}\left( t \right)+{{e}^{t}},    {{x}_{2}}\left(0\right)=2\\\end{matrix} \right.$$و خروجی آن عبارت است از:

$$X\left(t\right)=\left( \begin{matrix}{{x}_{1}}\left(t\right)\\{{x}_{2}}\left(t\right) \\\end{matrix} \right)$$

که در آن:$$\left\{\begin{matrix} {{x}_{1}}\left( t \right)={{e}^{-t}}-\frac{1}{2}{{e}^{t}}+\frac{1}{2}{{e}^{3t}},  \\ {{x}_{2}}\left( t \right)=2{{e}^{-t}}-\frac{1}{2}{{e}^{t}}+\frac{1}{2}{{e}^{3t}}. \\\end{matrix} \right.$$
۴ نظر موافقين ۰ مخالفين ۰ ۰۴ اسفند ۹۴ ، ۲۱:۵۸
حسین زارع

کتاب مقدمه‌ای بر نظریه تقریب توابع نوشته‌ی تئودور جی ریولین یکی از کتابهای مشهور در زمینه نظریه تقریب است که به دانشجویان تحصیلات تکمیلی برای گذراندن واحد نظریه تقریب معرفی می‌شود. داشتن حل تمرینات این کتاب همواره یکی از نیازهای دانشجویان بوده است. بر همین اساس حل المسائلی برای آن تدوین شده است که به خوانندگان عزیز تقدیم می‌گردد. تصویر جلد این راهنما را در زیر مشاهد می کنید.

دانلود حل المسائل نظریه تقریب ریولین

۱ نظر موافقين ۰ مخالفين ۰ ۲۷ بهمن ۹۴ ، ۲۱:۵۴
حسین زارع

به منظور کمک به داوطلبان آزمون دکتری ریاضی نیمه‌متمرکز سال 95 آزمونهایی طرح کرده‌ام که نوبت اول آن در روز دوشنبه 12 بهمن برگزار شد. برنامه‌ی کامل این آزمون‌ها و آزمون اول به همراه پاسخنامه کلیدی در ادامه پیوست شده است و به امید خدا آزمونهای بعدی نیز پس از برگزاری آنها در وبلاگ قرار داده خواهد شد.

برنامه آزمونها

آزمون اول

پاسخنامه آزمون اول

آزمون دوم

پاسخنامه آزمون دوم

آزمون سوم

پاسخنامه آزمون سوم 

آزمون چهارم (جامع)

پاسخنامه آزمون چهارم (جامع)

۰ نظر موافقين ۱ مخالفين ۰ ۱۵ بهمن ۹۴ ، ۲۳:۵۴
حسین زارع

در سری هارمونیک $$\sum_{n=1}^{\infty}\frac{1}{n}=1+\frac{1}{2}+\frac{1}{3}+\cdots $$ تمام جملاتی را که در مخرج آن‌ها دست‌کم یک رقم 9 وجود دارد حذف می‌کنیم. در این‌صورت زیر سری حاصل همگراست.*

آیا می‌توانید برنامه‌ای بنویسید که مقدار همگرایی این زیر سری را تا پنج رقم اعشار درست محاسبه کند؟


پی‌نوشت: در واقع می‌توان به جای جملات شامل رقم 9، جملات شامل هر رقم دلخواه دیگری را حذف نمود یعنی در این حالات نیز یک زیرسری همگرا حاصل می‌شود. با این گفته ممکن است فکر کنید که سری هارمونیک همگراست ولی باید توجه کنید که جملاتی که شامل تمام ارقام 0 تا 9 هستند (مانند جمله‌ی 1234567890ام) همچنان در سری هارمونیک ظاهر می‌شوند در حالی که در هیچ‌یک از زیرسری‌های قبلی ظاهر نمی‌شوند.



* Problems and Theorems in Analysis: Series, Integral Calculus, Theory of Functions, G. Pólya, G. Szegö, Springer-New York (1979)

۰ نظر موافقين ۰ مخالفين ۰ ۰۷ دی ۹۴ ، ۱۰:۰۵
حسین زارع

نوشته‌ی حاضر برگرفته از صفحه‌ی 28 خبرنامه‌ی انجمن ریاضی ایران (شماره‌ی پیاپی 128 و 129) است که در آن، دکتر فریبرز آذرپناه با زبان طنز، نگارش مقالات پولی را نقد کرده است.

 

یاد اون وقت‌ها بخیر، هر روز صبح مادربزرگم دستی به سرم می‌کشید و می‌گفت: ننه جون پاشو لنگه ظهره. من هم با کمی این ور و اون ور شدن بالاخره پا می‌شدم و اون وقت مادر بزرگم یه تومن می‌ذاشت کف دستم و یه لیست بلندبالا برام ردیف می‌کرد. با همون یه تومن می‌رفتم سر کوچه، با دو سه کیلو سیب‌زمینی و پیاز و گوجه، نیم کیلو گوشت، یه سیر پنیر و شش تا نون برمی‌گشتم خونه. یادش به‌ خیر. ولی حالا نمیشه، چون توی همه‌ی مغازه‌ها دوربین کار گذاشتن! خلاصه ما همین جوری بزرگ شدیم! مدرسه رفتیم، بعدش هم دانشگاه و بالاخره سری توی سرها پیدا کردیم و شدیم هیئت علمی.

ولی می‌دونید که آدمیزاده، ترک عادت مرض میاره، گرچه خودِ عادت هم مرضه. از شما چه پنهون از دوربین‌ها پنهون باشه، قسمت اول حرفامو از یک جایی توی اینترنت کِش رفتم! آخه برا چیزی که میخوام بگم لازمه. گفتم که ترک عادت مرضه. توی این دوره زمونه که ماهواره، اینترنت و دوربین‌های مخفی آدمو می‌پاد، زندگی خیلی سخت شده. دیگه داشتیم از زندگی سیر می‌شدیم که بالاخره راه مُدرنشو پیدا کردیم، مقصودم دکون‌های مدرنه بی‌دوربینه. گرچه توی این دکون‌ها جنسی وجود نداره ولی راس کار ماس. باس جنستو از بیرون تهیه کنی یا از جایی کِش بری، یه پولی هم بذاری روش، بدی یکی از این دکونا. بعد از مدتی یه مقاله شسته رفته توی یه مجله که شایدم ISI باشه برات چاپ میکنه. حتی اگر نتونی جنسو جور کنی خودشون برات جور می‌کنن، ولی نرخش بیشتره. اون زمان که ما بچه بودیم جنسمونو با ترس و لرز جور می‌کردیم، ولی حالا چقدر راحت جور میشه، آخه کلی زحمت کشیدیم، درس خوندیم، سوای اون، باهات همکاری هم می‌کنن.

بگذریم دکوندار پولشو می‌گیره می‌ره ردِ کارش، ما هم به نون و نوایی می‌رسیم. پولی که دادیم از پژوهانه‌مون ور می‌داریم، حق‌التألیف مقاله رو هم از دانشگاه می‌گیریم، امتیاز مقاله هم که ای وَل، تازه امتیازش برای پژوهانه‌ی سال بعد هم به حساب میاد و ممکنه جایزه‌ای هم بابتش بگیریم. دانشگاه هم که رنکینگش می‌ره بالا و می‌تونه از دولت بودجه‌ی بیشتری بگیره، دولت هم اساساً هدفش همینه که پُز تعداد مقاله‌های چاپ شده در دوره‌ی خودشو بده و آمارشو ببره بالا. می‌بینید که این‌طوری همه سعادتمند میشن! قدیما هم همین‌طور بود، من و مادربزرگ هر دو سود می‌بردیم! ولی اون زمان با این که کوچیک بودیم می‌دونسیم کی ضرر می‌کنه، اما حالا با این که بزرگ شدیم نمی‌دونیم کی ضرر می‌کنه!

عجالتاً بی‌خیال. بذارین به درجه‌ی استادی که رسیدیم، در مورد این یکی هم، فکری می‌کنیم. فعلاً عزت زیاد.

۱ نظر موافقين ۳ مخالفين ۰ ۰۲ دی ۹۴ ، ۱۵:۲۵
حسین زارع

نظریه‌‌ی الگوریتمی بهینه‌سازی نامقید

برقرار ساختن شرایط لازم برای حل یک مسئله‌ی بهینه‌سازی نامقید منجر به تشکیل یک دستگاه $n$ معادله، $n$ مجهولی می‌شود که از حل آن می‌توان نقاط ایستای تابع هدف را، که کاندیداهای جواب بهین موضعی هستند، به‌دست آورد. با به کارگیری این روش شاید بتوان برخی از مسائل در ابعاد کوچک را حل نمود.

مثال: مطلوب است کمینه‌سازی $f\left( {{x}_{1}},{{x}_{2}} \right)=x_{1}^{2}-{{x}_{1}}{{x}_{2}}+x_{2}^{2}-3{{x}_{2}}$ .

حل: با مساوی صفر قرار دادن مشتقات جزئی مرتبه اول $f$، به دستگاه معادلات زیر می‌رسیم:

$$\begin{align}  & 2{{x}_{1}}-{{x}_{2}}=0 \\  & {{x}_{1}}+2{{x}_{2}}=3  \end{align}$$

این دستگاه معادلات دارای جواب یکتای ${{x}_{1}}=1$ و ${{x}_{2}}=2$ است. از طرفی، ماتریس هسین تابع $f$ در این جواب برابر است با:

$$H={{\nabla }^{2}}f\left( 1,2 \right)=\left( \begin{matrix} 2 & -1\\ -1 & 2\\\end{matrix} \right)$$

که معین مثبت است. بنابراین نقطه‌ی $\left( 1,2 \right)$ کمینه‌ی سراسری تابع $f$ می‌باشد.

در بسیاری از مواقع، دستگاه معادلاتی که از برقرار ساختن شرایط لازم به‌دست می‌آید، به سادگی قابل حل نیست و هر قدر که ابعاد مسئله گسترش یابد، این دستگاه پیچیده‌تر می‌گردد. به‌ویژه هنگامی ­که تابع $f$ نامحدب باشد، دیگر نمی‌توان از قضایای شرایط لازم و کافی استفاده کرد. در چنین مواقعی لازم است از شیوه‌های عددی‌ که جواب مسئله را با دقت مناسب محاسبه کرده و نیز از نظر محاسبات، زمان انجام و حجم حافظه‌­ی اشغال‌­شده مقرون به‌­صرفه باشند استفاده کنیم. در ادامه‌ی این آموزش به ارائه‌ و تحلیل برخی از این روش‌ها پرداخته می‌شود. اگرچه زمینه و انگیزه‌ی طرح این روش‌ها و جزئیات تحلیل آن‌ها تفاوت‌های بسیاری با هم دارند، تقریباً همگی دارای جنبه‌ی مشترکی هستند و آن این‌که تمام این روش‌ها از نوع الگوریتم تکراری کاهشی هستند؛ هر یک از آن‌ها از یک نقطه‌ی اولیه مانند ${{x}_{0}}$ شروع نموده و با تولید دنباله‌ای مانند $\left\{ {{x}_{k}} \right\}$ از نقاط به پیش می‌روند به‌طوری که هر نقطه‌ی جدید، تقریب بهتری از جواب بهینه را به دست می‌دهد. به این معنی که $f\left( {{x}_{k+1}} \right)\le f\left( {{x}_{k}} \right)$. البته الگوریتم‌های غیر یکنوایی نیز وجود دارند که لزوماً در هر تکرار مقدار تابع $f$ را کاهش نمی‌دهند ولی پس از $m$ تکرار این اتفاق می‌افتد، یعنی:

$$f\left( {{x}_{k+m}} \right)\le f\left( {{x}_{k}} \right).$$

نقطه‌ی اولیه‌ی ${{x}_{0}}$ را می‌توان با توجه به مقتضیات مسئله به‌گونه‌ای که نزدیک به جواب واقعی مسئله باشد، یا توسط یک الگوریتم دیگر یا به دلخواه اختیار نمود. تولید دنباله‌ی نقاط $\left\{ {{x}_{k}} \right\}$ تا جایی ادامه می‌یابد که یا نتوان نقطه‌ی بعد را محاسبه نمود یا این ‌که نقطه‌‌ی به‌دست آمده تقریب مناسبی از کمینه‌ی مسئله باشد. برای این‌که بدانیم که یک شیوه‌ی تکراری، به تقریب مناسبی از کمینه‌ی مورد نظر رسیده است یا خیر، معمولاً یکی از شرط‌های

$\left \| x_{k+1} -{x_{k}}\right \|< \varepsilon$      یا     $\left| f\left( {{x}_{k+1}} \right)-f\left( {{x}_{k}} \right) \right|<\varepsilon $     یا    $\left \| \nabla f\left( {{x}_{k}} \right)\right \|<\varepsilon $

که در آن‌ها $\varepsilon $ یک عدد کوچک مثبت است، به عنوان شرط خاتمه‌ی الگوریتم در نظر گرفته می‌شود.

برای رفتن از نقطه‌ی ${{x}_{k}}$ به ${{x}_{k+1}}$ به یک جهت کاهشی و فاصله‌ای که باید در راستای این جهت پیموده شود نیاز است. طبیعی است که انتظار داشته باشیم انتخاب این پارامترها به‌گونه‌ای باشد که بیش‌ترین کاهش ممکن در هر تکرار الگوریتم رخ دهد. در حقیقت تفاوت عمده‌ی بین الگوریتم‌های کاهشی نیز، مربوط به نحوه‌ی انتخاب این دو پارامتر، یعنی جهت جستجو و طول گام مناسب است. انتخاب این دو پارامتر می‌تواند به چند راه صورت گیرد؛ این کار ممکن است صرفاً متکی بر مقادیر تابع و اطلاعات به‌دست آمده از تکرارهای قبلی و یا متکی بر اطلاعاتی از مشتقات جزئی تابع باشد. الگوریتم‌هایی که از شیوه‌ی اول استفاده می‌کنند، عموماً به روش‌های جستجوی مستقیم معروفند و از جمله‌ی این روش‌ها، می‌توان به دو روش جستجوی فیبوناچی و روش سادکی نلدر و مید اشاره کرد. سایر الگوریتم‌ها که از شیوه‌ی دوم استفاده می‌کنند به روش‌های گرادیانی معروف‌اند. روش‌های تندترین کاهش، نیوتن و شبه‌نیوتن از جمله روش‌های گرادیانی هستند. هم‌چنین می‌توان در مورد این‌‌که کدام یک از دو پارامتر جهت جستجو یا طول گام مناسب زودتر از دیگری انتخاب شود، تصمیم گرفت. این تصمیم‌گیری منجر به معرفی دو راهبرد جستجوی خطی و ناحیه‌ی اطمینان می‌شود.

۱ نظر موافقين ۲ مخالفين ۰ ۲۰ آذر ۹۴ ، ۰۰:۰۳
حسین زارع