Séance de cours
Méthodes d'optimisation
Dans cours
DEMO: veniam amet cupidatat
Esse deserunt do minim reprehenderit dolor eu Lorem excepteur quis et dolore do. Sint consectetur nostrud laboris commodo aute laboris esse eu ipsum in exercitation. Sunt quis eiusmod Lorem culpa aliquip irure.
Description
Cette séance de cours couvre les méthodes d'optimisation sans contraintes, y compris la recherche de gradient et de ligne dans le cas quadratique. Il traite des concepts de la continuité de Lipschitz, de la convexité et des conditions de Wolfe. L'instructeur explique la méthode de gradient avec un pas constant et l'importance de la convergence dans l'optimisation.
Enseignant
ullamco culpa in in
Ut labore eiusmod esse nulla eiusmod. Magna aute Lorem aliqua elit. Ipsum voluptate veniam adipisicing veniam aute commodo anim. Anim quis ipsum ea irure sint cillum et. Ad ullamco dolore ex amet.
Source officielle
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Proximité ontologique
Séances de cours associées (89)
Optimisation quasi-newton
Couvre les méthodes de recherche de ligne de gradient et les techniques d'optimisation en mettant l'accent sur les conditions Wolfe et la définition positive.
Méthodes d'optimisation
Couvre l'optimisation sans contrainte et contrainte, le contrôle optimal, les réseaux neuronaux et les méthodes d'optimisation globales.
Optimisation avec contraintes : conditions KKT
Couvre l'optimisation avec des contraintes utilisant les conditions KKT et l'inversibilité matricielle en analyse numérique.
Optimisation avec contraintes
Couvre l'optimisation avec des contraintes et le théorème de KKT.
Contrôle optimal : Conditions KKT
Explore les conditions optimales de contrôle et de KKT pour une optimisation non linéaire avec des contraintes.