Lerninhalte |
Lehrziel:
- Fähigkeit zur Lösung von linearen Gleichungssystemen und Eigenwertproblemen (jeweils großer und dünn besetzter Matrizen) mit problemangepaßten Methoden und deren Implementierung auf einem Computer. - Kenntnis effektiver Minimierungsverfahren, welche über die grundlegenden Verfahren (Modul Numerische Mathematik 1) hinausgehen. - Analytisches Hintergrundwissen zu den behandelten Methoden, um die Aspekte der Verfahrenswahl, deren Effizienz und Stabilität kritisch beurteilen zu können.
Inhalt:
- Iterationsverfahren für große und dünn besetzte lineare Gleichungssysteme: Analyse iterativer und semiiterativer Verfahren, Krylovraumverfahren (CG, Arnoldi, GMRES) - Iterationsverfahren für große und dünn besetzte Eigenwertprobleme: Krylovraumverfahren (Lanczos), Unterraumiterationen, Rayleigh-Ritz Methode, Jacobi-Davidson Methode, vorkonditionierte Iterationsverfahren. - Minimierung von Funktionen ohne Nebenbedingungen: Gateaux-Differenzierbarkeit und Konvexität, Gradientenverfahren und Quasi-Newton-Verfahren (Broyden-Klasse, BFGS-Verfahren), Fletcher-Reeves-Verfahren, Trust-Region-Verfahren |