‌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.

فرض کنید بخواهیم تابع $f$ را روی یک مجموعه از نقاط متمایز در $ \left[ a,b \right]$ با یک چندجمله‌ای از درجه‌ی $n$ مانند $p_{n}$ درونیابی کنیم. مسئله این است که نقاطی که $f$ در آن‌ها درونیابی می‌شود، تا چه‌اندازه می‌توانند در دقت چندجمله‌ای درونیاب حاصل مؤثر باشند. در اینجا خطا را به کمک نرم بی‌نهایت می‌سنجیم. یعنی قرار می‌دهیم: $$E({{p}_{n}}):={{\left\| f-{{p}_{n}} \right\|}_{\infty }}=\underset{a\le x\le b}{\mathop{\max }}\,\left| f(x)-{{p}_{n}}(x) \right|$$ فرض کنید $p_{n}^{*}$ بهترین تقریب چندجمله‌ای درجه‌ی $n$ برای تابع $f$ در بازه‌ی $ \left[ a,b \right]$ باشد. به این مفهوم که:$${{\left\| f-p_{n}^{*} \right\|}_{\infty }}=\underset{p\in {{P}_{n}}}{\mathop{\min }}\,(\underset{a\le x\le b}{\mathop{\max }}\,\left| f(x)-p(x) \right|)$$چندجمله‌ای $p_{n}^{*}$ معمولا چندجمله‌ای مینیماکس تابع $f$ در بازه‌ی $ \left[ a,b \right]$ نامیده می‌شود.

اکنون می‌توان ارتباط خطای چندجمله‌ای درونیاب تابع $f$ و خطای چندجمله‌ای مینیماکس تابع $f$ را به کمک قضیه‌ی زیر بیان کرد.

۱ نظر موافقين ۲ مخالفين ۰ ۱۸ آذر ۹۴ ، ۲۳:۱۳
حسین زارع

ضرورت و پیشینه:

هنگامی که مسائل بهینه‌سازی نامقید را مطالعه می‌کنیم ممکن است این‌طور به نظر آید که این مسائل چنان عاری از ویژگی‌های ساختاری هستند که مانع از کاربری آن‌ها به‌عنوان مدل‌های مفید برای مسائل با اهمیت می‌شوند. اما به دو دلیل، کاملاً عکس این مطلب صحیح است؛ اولاً می‌توان این استدلال قانع کننده را پیش کشید که اگر قلمروی مسئله گسترش یابد به‌طوری که همه‌ی متغیرهای مربوط به تصمیم‌گیری در نظر گرفته شوند، وجود هیچ قیدی لازم نیست. به عبارت دیگر، قیود مبیّن محدودیت تصنعی میدان عمل هستند و زمانی که این میدان توسعه داده شود از صحنه خارج می‌شوند. بنابراین به‌طور مثال، می‌توان استدلال کرد که قید بودجه یک مشخصه‌ی لازم در فرموله‌کردن یک مسئله‌ی معنی‌دار نیست؛ زیرا دست‌یابی به منابع مالی بیش‌تر همواره با وام گرفتن با یک نرخ بهره‌ی مشخص امکان‌پذیر است و بنابراین به جای معرفی قید بودجه، می‌توان جمله‌ای که هزینه‌ی پول مورد استفاده را منعکس سازد به‌کار گرفت. شبیه همین استدلال در مورد قیودی که مبین دسترس‌پذیری منابع دیگری هستند و با هزینه‌ی مشخص (هر چند زیاد) قابل تأمین می‌باشند، نیز صادق است.

دلیل دوم برای این‌که بسیاری از مسائل مهم را می‌توان بدون قید در نظر گرفت، آن است که مسائل مقید در برخی مواقع به سادگی قابل تبدیل به مسائل نامقید هستند. برای مثال تأثیر نهایی قیود تساوی در یک مسئله‌ی مقید فقط این است که درجات آزادی را، با معرفی برخی از متغیرها به عنوان توابعی از سایر متغیرها محدود کند. این وابستگی‌ها در برخی موارد به‌طور صریح قابل توصیف‌اند و می‌توان یک مسئله‌ی جدید که تعداد متغیرهایش همان درجه‌ی واقعی آزادی است، مشخص کرد. به عنوان یک نمونه‌ی ساده فرض کنید قیدی به‌صورت ${{x}_{1}}+{{x}_{2}}=B$ در یک مسئله‌ی مقید وجود داشته باشد. این قید را می‌توان با جای‌گذاری ${{x}_{1}}=B-{{x}_{2}}$ در تمام قیودی که متغیر ${{x}_{1}}$ در آن‌ها حضور دارد، به سادگی حذف نمود.

مطالعه‌ی مسائل نامقید صرف‌نظر از این‌که به تبیین دسته‌ی مهمی از مسائل عملی می‌انجامد، مسلماً گامی است در راه دسترسی به حالت کلی‌تر یعنی مسائل مقید. بسیاری از جنبه‌های نظری و الگوریتم‌ها در حالت نامقید، و قبل از تعمیم به حالت مقید، به‌صورت بسیار طبیعی‌تری قابل طرح و تحقیقند.

تاریخ بهینه‌سازی نامقید و به‌طور کلی روش‌های بهینه‌یابی را می‌توان به روزگار ریاضی‌دانان گذشته از جمله نیوتن، لاگرانژ و کوشی مرتبط دانست. نخستین مسئله‌ی بهینه‌سازی، 300 سال قبل از میلاد مسیـح توسط اقلیدس شکل گرفت؛ وی نشـان داد که کم‌ترین فاصله‌ی بین یک نقطه و یک خط، طول پاره‌خطی است که از آن نقطه بر خط مورد نظر عمود می‌شود. توسعه‌ی روش‌های بهینه‌سازی در حساب دیفرانسیل مدیون کارهای نیوتن و لایبنیتس است. نیوتن (1669) اندکی پس از ابداع حسابان، با خطی‌سازی توابع، روشی را برای یافتن ریشه‌های یک چندجمله‌ای ارائه کرد. رافسون (1690) روش نیوتن را به کل توابع تعمیم داد. البته نه نیوتن و نه رافـسون هیچ‌کدام از مشتق توابع استفاده نکردند تا این‌که با معرفی سری تیلور (1715)، شکل امروزی این روش که به روش نیوتن- رافسون معروف است، به‌صورت

$${{x}_{n+1}}={{x}_{n}}-\frac{f\left( {{x}_{n}} \right)}{{f}'\left( {{x}_{n}} \right)},~~{{x}_{0}}\in \left( a,b \right),~n=0,1,2,\ldots $$

ثابت شد. ایده‌ی اولیه‌ی روش نیوتن در بهینه‌سازی نامقید از همین روش شکل گرفت. لاگرانژ (1806) برای نخستین بار با معرفی روش ضرایب لاگرانژ، روش بهینه‌سازی برای توابع هدف با محدودیت را طرح نمود و کوشی برای نخستین بار در سال 1847 روش تندترین کاهش را برای حل مسائل بهینه‌سازی نامقید ارائه کرد. تحولات اساسی در بهینه‌سازی نامقید در قرن بیستم رخ داد و ظهور رایانه به این تحولات سرعت بسیاری بخشید. دهه‌ی 1960 را می‌توان دهه‌ی اصلی توسعه‌ی روش‌های عددی در بهینه‌سازی نامقید دانست. در این دهه، هستینز و اشتیفل روش گرادیان مزدوج را ابداع نمودند و دیویدان نخستین روش‌‌ شبه‌نیوتن را به دست آورد. عمده‌ی کارهای محققان در طی دهه‌های بعدی، طرح روش‌های جدید، اصلاح روش‌های قبلی و یا تعمیم روش‌های موجود به مسائلی در ابعاد بزرگ‌تر بوده است و مثلاً از میان آن‌ها می‌توان به ابداع روش $BFGS$ توسط برویدن، فلچر، گلدفارب و شانو ، اصلاح اشنیبل و اسکوو از روش نیوتن و تعمیم روش $BFGS$ به مسائل در مقیاس بزرگ توسط نوسدال اشاره کرد.

طرح مسئله:

یک مسئله‌‌ی بهینه‌سازی در کلی‌ترین صورت خود شامل پیدا کردن مقدار بهینه (بیشینه یا کمینه) تابع $f\left( {{x}_{1}},\ldots ,{{x}_{n}} \right)$ با $n$ متغیر ${{x}_{n}},\ldots ,{{x}_{1}}$ است. در اینجا باید توجه کنیم که از نقطه نظر ریاضی، در نظر گرفتن بیشینه‌سازی و کمینه‌سازی، هر دو، ضرورت ندارد، زیرا بیشینه‌سازی $~f$ هم‌ارز کمینه‌سازی $-f$ است. در نتیجه طبیعتاً در ادامه‌، بحث ما محدود به کمینه‌سازی خواهد شد. گاهی اوقات ممکن است متغیرهای مسئله‌ی بهینه‌سازی به قید یا قیود خاصی محدود شده باشند، که در این صورت با یک مسئله‌ی بهینه‌سازی مقید سروکار داریم و چنان‌چه قیدی روی متغیرها نباشد، مسئله از نوع بهینه‌سازی نامقید است که در این جا، هدف ما آشنایی با این نوع مسائل است. در حالت کلی یک مسئله‌ی بهینه‌سازی نامقید به صورت زیر است:

$$\min\left\{ f\left( x \right)|~x\in {{\mathbb{R}}^{n}} \right\},$$

که در آن فرض می‌شود که $f:{{\mathbb{R}}^{n}}\to \mathbb{R}$ تابعی دو بار به‌طور پیوسته مشتق‌پذیر است. برای مطالعه‌ی مسئله‌ی کلی فوق لازم است دو نوع از نقاط جواب، یعنی نقاط کمینه‌ی موضعی و نقاط کمینه‌ی سراسری را متمایز ‌کنیم.

۴ نظر موافقين ۲ مخالفين ۰ ۱۴ آذر ۹۴ ، ۲۰:۳۹
حسین زارع

در این پست تعدادی کتاب در زمینه آنالیز عددی قرار می‌دهم که امیدوارم برای دانشجویان ریاضی کاربردی مفید واقع شود.

آشنایی با آنالیز عددی، بولیرش و استوئر

آنالیز عددی، بوردن و فیرز

نخستین درس در آنالیز عددی، رالستون و رابینوویتز

آشنایی با آنالیز عددی، اتکینسون

آنالیز عددی، هیلدبراند

آنالیز عددی برای علوم کاربردی، آلن و ایزاکسون

آنالیز عددی، نظریه و کاربردها، فیلیپس و تیلور

نظریه و مسائل آنالیز عددی (از کتاب‌های سری شومز مک‌گروهیل)، فرانسیس شید

ریاضیات و محاسبات عددی، کینکید و چنی

ریاضیات عددی، کوارترونی، ساکو و سالری

آنالیز روش‌های عددی، ایزاکسون و کِلـر

آنالیز عددی مقدماتی به شیوه الگوریتمی، کُنت و دی‌بور

آنالیز عددی، کِـرِس

آنالیز عددی، شانکر رائو

آشنایی با آنالیز عددی، نیومایر

مقدمه‌ای بر آنالیز عددی، نسیف و فیّاد

دقت و پایداری الگوریتم‌های عددی، هایام

روش‌های عددی و بهینه‌سازی، پاردالُس و بوتنکو

مقدمه‌ای آموزشی بر آنالیز عددی، رایبنکی و سینکوف

مقدمه‌ای کوتاه بر آنالیز عددی، تتیشنیکوف

مقدمه‌ای بر آنالیز و روش‌های عددی، اِپرسون، .............. حل‌المسائل

آنالیز عددی، اسکات

برنامه‌نویسی Matlab برای آنالیز عددی، پرز لوپز

۱ نظر موافقين ۲ مخالفين ۰ ۱۰ آذر ۹۴ ، ۲۱:۴۵
حسین زارع

انسان اگرچه خود مخلوقی است متناهی، اما همواره مفهوم نامتناهی را که جلوه‌ای از خالق است ستوده است. مفهوم نامتناهی اگرچه برای انسان درک ناشدنی است اما بسیار زیباست. دانشمندان عرصه‌های مختلف علم همواره سعی کرده‌اند تا نقاب را از رخ زیبای نامتناهی بگشایند اما هیچکس به اندازه‌ی کانتور، ریاضی‌دان برجسته‌ی آلمانی، موفق به این کار نبوده است. کانتور با طرح مجموعه‌های نامتناهی، عالمانه، ریاضیات را به عرصه‌ی نامتناهی‌ها وارد می‌کند و به تعبیر هیلبرت، ریاضیدان شهیر آلمانی، این کانتور بود که انسان را به بهشت نامتناهی‌ها وارد کرد (برگرفته از کتاب آشنایی با مبانی ریاضیات، تألیف محمدرضا سپهری نوبندگانی).

سکانس اول:

آقای هیلبرت صاحب تنها هتل یک شهر توریستی عجیب بود! شهری که همه چیز آن غیرعادی بود؛ درست مثل هتل خود آقای هیلبرت. هتل آقای هیلبرت، هتلی بود که به اندازه‌ی تمام اعداد طبیعی اتاق داشت. یعنی به ازای هر عدد طبیعی $n$، اتاقی با شماره‌ی $n$ در این هتل وجود داشت.

در اواسط تابستان -وقتی که تعداد زیادی از مردم برای بازدید از جاذبه‌های توریستی این شهر، به آن جا آمده بودند- هتل آقای هیلبرت کاملاً پر شد، به طوری که در همه ‌ی اتاق ‌های آن دست کم یک مسافر ساکن شده بود. ظاهراً همه چیز بر وفق مراد آقای هیلبرت پیش می‌رفت؛ مشتریان زیاد و درآمدی قابل توجه، اما این همه ‌ی ماجرا نبود و پر بودن هتل دردسر‌هایی باخود داشت.
درست در شرایطی که تمام اتاق‌های هتل پر شده بودند، یکی از بازرسان اتحادیه ‌ی هتل ‌داران برای بازرسی از شرایط و امکانات هتل آقای هیلبرت به این شهر رفت! معمول این بود که بازرسان چند روزی در هر هتل اقامت می‌کردند و در این چند روز با بررسی تمام امکانات هتل، گزارش خود را تنظیم می‌کردند. از این رو همه‌ی هتل ‌داران معمولاً یک اتاق را برای آمدن بازرسان احتمالی خالی نگه می‌داشتند، اما در اثر سهل انگاری مسئول پذیرش هتل آقای هیلبرت، آن اتاقی که همیشه به همین منظور خالی نگه داشته می‌شد نیز به مسافران اجاره داده شد و حتی یک اتاق هم خالی نماند!

آقای هیلبرت و کارکنان هتل نمی دانستند چه باید بکنند؛ از یک سو می‌بایست اتاقی برای اقامت آقای بازرس فراهم کنند، چرا که در غیر این‌صورت ممکن بود که وی گزارشی علیه آن‌ها تنظیم کند و از ستاره ‌های هتل کم شود، و از سوی دیگر همه‌ ی اتاق ‌ها پر بود و نمی‌توانستند عذر هیچ یک از مسافران را بخواهند؛ چون ممکن بود مسافر اخراج شده شکایتی علیه آن‌ ها ترتیب دهد و بر اساس این شکایت اتحادیه ‌ی هتل‌داران یکی از ستاره ‌های هتل آقای هیلبرت را بگیرد. آیا راهی وجود دارد که بدون اخراج هیچ یک از مسافران و نهایتاً با جابه‌جایی آنان یک اتاق خالی برای آقای بازرس فراهم کرد؟

خوشبختانه بله! می‌توان با جابه جایی مسافران و بدون اخراج هیچ یک از آن‌ها اتاقی برای آقای بازرس فراهم کرد!

۲ نظر موافقين ۴ مخالفين ۰ ۱۰ آذر ۹۴ ، ۱۴:۱۹
حسین زارع

اشکال استدلال زیر چیست؟

در روش تکرار ساده برای حل معادله‌ی غیرخطی $f(x)=0$ این معادله به‌صورت $ g(x)=x$ نوشته می‌شود. برای همگرایی دنباله‌ تکراری حاصل از این روش، $ x_{n+1}=g(x_n)$ ، باید داشته باشیم $|g'(x)|<1$ . اما از رابطه‌ی $ g(x)=x$ داریم $|g'(x)|=1$ و بنابراین شرط $|g'(x)|<1$ هیچگاه برقرار نمی‌شود.

۲ نظر موافقين ۲ مخالفين ۰ ۱۰ آذر ۹۴ ، ۱۴:۱۷
حسین زارع

در این پست تعدادی کتاب در زمینه بهینه‌سازی قرار می‌دهم که امیدوارم برای دانشجویان ریاضی کاربردی مفید واقع شود.
برنامه‌ریزی خطی و جریان‌های شبکه، بازارا
برنامه‌ریزی غیرخطی، بازارا
برنامه‌ریزی خطی و غیرخطی، لوئنبرگر
برنامه‌ریزی خطی، دانتزیگ
برنامه‌ریزی خطی، واندربی
بهینه‌سازی خطی و غیرخطی، گریوا، نش و سافر
تحقیق در عملیات، حمدی طه
برنامه‌ریزی خطی و کاربردهای آن، استرایر
مقدمه‎ای بر بهینه‌سازی، پدرگال
مقدمه‌ای بر بهینه‌سازی خطی، برتسیماس
برنامه‎ریزی خطی تصادفی،کال و مایر
نظریه‌ی بهینه‌سازی و روشها (برنامه‌ریزی غیرخطی)، سان و یوان
روش‌های کاربردی بهینه‌سازی، فلچر
بهینه‌سازی عددی، نوسدال و رایت ........................ حل‌المسائل بهینه‌سازی عددی نوسدال
روش‌های عددی برای بهینه‌سازی نامقید، دنیس و اشنیبل
برنامه‌ریزی غیرخطی، برتسیکاس ......................... حل‌المسائل: فصل یک، فصل دو، فصل سه، فصل چهار، فصل پنج.
بهینه‌سازی شبکه‌ (گسسته و پیوسته)، برتسیکاس
داستان‌های بهینه‌سازی، جمعی از نویسندگان
الگوریتم‌های بهینه‌سازی محدب، برتسیکاس
نظریه‌ی بهینه‌سازی محدب، برتسیکاس
بهینه‌سازی محدب، بوید .................................... حل‌المسائل بهینه‌سازی محدب بوید
بهینه‌سازی مقید و روشهای مضارب لاگرانژ، برتسیکاس
تصمیم‌گیری چند هدفه فازی، زنگ و هوانگ
بهینه‌سازی چندهدفه‌ی غیرخطی، میتنن
بهینه‌سازی چندهدفه با استفاده از الگوریتم‌های تکاملی، دب

بهینه‌سازی چندمعیاره، ارگات

الگوریتم‌های تکاملی برای حل مسائل بهینه‌سازی چندهدفه، کوئلو کوئلو، لمانت و ون‌ولدهوزن

۱۷ نظر موافقين ۲ مخالفين ۰ ۲۴ آبان ۹۴ ، ۲۲:۲۷
حسین زارع

در این پست ویرایش ششم (2015) کتاب جامع ریاضیات (Handbook of mathematics) نشر Springer نوشته‌ی برنشتاین و همکاران را قرار داده‌ام که می‌تواند مورد استفاده‌ی تمام دانشجویان علوم ریاضی و مهندسی قرار گیرد.

 

Handbook of mathematics, I.N. Bronshtein et all (2015) Springer

۰ نظر موافقين ۲ مخالفين ۰ ۲۴ آبان ۹۴ ، ۰۰:۰۲
حسین زارع
کارل فردریک گوس (1855-1777) ریاضیدان معروف آلمانی است. هنوز هفت سالش نبود که وارد مدرسه شد. مدرسه‌‌ی ملی آلمان در پایان سده‌ی هیجدهم و ابتدای سده‌ی نوزدهم، مدرسه‌ای خشک و بی‌روح و با روشی بر پایه‌ی حافظه و یادگیری طوطی‌وار بود. به‌خصوص بچه‌ها بیش از همه، تلخی این روش یادگیری و آموزشی را احساس می‌کردند. حفظ طوطی‌وار تنها روش آموزش، و شلاق تنها وسیله‌ی تربیت بچه‌ها بود. تازیانه پی در پی بر پشت دانش‌آموزان خطاکار فرود می‌آمد.
از همان کلاس اول، کارل در بین همه دوستانش ممتاز بود. او بچه‌ای مستعد و با پشتکار بود. در درس حساب، همیشه مسئله‌ها را به سرعت، درست و دقیق حل می‌کرد.
قاعده‌ی کار در کلاس به این ترتیب بود: هر شاگرد که کار خودش را انجام می‌داد، لوحه‌ای که حاوی تکلیف‌هایش بود، روی میز معلم می‌گذاشت. در آن زمان، مدرسه‌ها از تخته‌های نازک سنگی استفاده می‌کردند و به آن‌ها لوح می‌گفتند. هر دانش‌آموز لوحی مخصوص داشت و با قلمی که به آن «گریفل» می‌گفتند، روی آن می‌نوشت. وقتی همه لوح‌ها جمع می‌شد، معلم آن‌ها را برمی‌داشت و تصحیح می‌کرد.
در یکی از ساعت‌های درس حساب، معلم این مسئله را به آن‌ها داد: مجموع عددهای طبیعی 1 تا 100 را پیدا کنید.
هنوز اندکی از طرح این مسئله نگذشته بود که کارل لوح خود را روی میز گذاشت. معلم نگاهی به کارل انداخت و پوزخندی زد. او تصمیم نداشت که از تنبیه او بگذرد، ولی قلباً برای او متأسف بود. کارل، کوچکترین شاگرد کلاس و ضمناً ضعیف و لاغر بود. بیوتنر (معلم کلاس)، دلش به حال این بچه‌ی ضعیف می‌سوخت. وضع جسمانی کارل طوری بود که دشمنی او را برنمی‌انگیخت. ولی چه می‌شود کرد؟ قانون و انضباط مدرسه، این‌طور حکم می‌کند.
بیوتنر خیلی به خودش فشار آورد که پسرک را مورد سرزنش قرار نداد. او حتی دلش می‌خواست برود، لوح پسرک را بردارد و به او پس بدهد و از او بخواهد که کار خود را کنترل کند. او پیش خود فکر می‌کرد:«مگر ممکن است که این پسرک در یک لحظه توانسته باشد مجموع صد عدد را پیدا کند؟» در این ضمن، دیگر شاگردان به‌سختی مشغول بودند. صدای تق و توق لوح‌ها، از همه جا بلند بود. همه با جدیت مشغول حل مسئله بودند. تنها کارل بود که بدون کار نشسته بود. او به درستی راه‌حل خود اطمینان داشت و نگاه‌های معلم پریشانش نمی‌کرد. او احساس کسی را داشت که به پیروزی خود در مبارزه اعتماد دارد.
وقتی که بیوتنر شروع به تصحیح کرد از تعجب خشکش زد. او متوجه شد که نه تنها کارل کوچک، مسئله را درست حل کرده است، بلکه راه‌حل بسیار ساده‌ و جالبی هم برای آن پیدا کرده است!
۰ نظر موافقين ۲ مخالفين ۰ ۱۶ آبان ۹۴ ، ۰۰:۵۴
حسین زارع

تابع اکرمن به‌ازای هر دو عدد صحیح و نامنفی $m$ و $n$ به صورت زیر تعریف می‌شود:

$$A(m,n)=\cases{n+1 &$m=0$\\A(m-1,1) &$m\geq 1$, $n=0$\\A(m-1,A(m,n-1)) &$m\geq 1$, $n\geq 1$}$$

علت شهرت این تابع، رشد بسیار بالای آن‌ است. آهنگ افزایش این تابع بازگشتی آن‌قدر زیاد است که با توابع چندجمله‌ای، فاکتوریل یا نمایی قابل مقایسه نیست. برای آشنایی بیشتر با این تابع بازگشتی، چند جمله‌ی اول آن را در نظر می‌گیریم:

$$A(0,0 ) = 1\\ A(0,1 ) = 2\\ A(0,2 ) = 3\\ A(0,3 ) = 4\\ A(0,4 ) = 5\\ A(1,0 ) = 2\\ A(1,1 ) = 3 \\A(1,2 ) = 4\\ A(1,3 ) = 5 \\A(1,4 ) = 6 \\A(2,0 ) = 3 \\A(2,1 ) = 5\\ A(2,2 ) = 7 \\A(2,3 ) = 9 \\A(3,0 ) = 5 \\A(3,1 ) = 13\\ A(3,2 ) = 29 \\A(4,0 ) = 13$$

با توجه به مقادیر بالا ممکن است فکر کنید که آهنگ افزایش این تابع آن‌قدرها هم زیاد نیست. اما حقیقت چیز دیگری است.

در واقع $A(4,1)=65533$ و حاصل $A(4,2)$ هم عددی 19729 رقمی است!

محاسبه‌ی مقدار $A(4,3)$ نیز تاکنون با پیشرفته‌ترین کامپیوترها امکان‌پذیر نشده است و مقادیر دیگر $A(m,n)$ وقتی $m\geq 4$ به مراتب بزرگ‌تر است. تابع اکرمن مثالی است برای نشان دادن اینکه کامپیوترهای سریع امروزی هنوز هم توان محاسبه‌ی مقدار متناهی برخی از توابع ریاضی را ندارند.

۱ نظر موافقين ۳ مخالفين ۰ ۱۳ آبان ۹۴ ، ۱۷:۴۶
حسین زارع