Passer au contenu principal

Recherche

Afficher tous les résultats pour

Accueil

Séance de cours

Méthodes numériques: runge-kutta

À propos
Confidentialité
Mentions légales

Copyright © 2025 EPFL, tous droits réservés

Graph Chatbot

Description

Cette séance de cours couvre la méthode Runge-Kutta, y compris les versions explicites et implicites, avec des exemples tels que Euler, Heun et RK4. Il traite également de la sélection des paramètres pour minimiser les erreurs et la stabilité dans les systèmes non linéaires.

Source officielle

https://mediaspace.epfl.ch/media/0_kb4g28qo

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.

Dans cours

DEMO: occaecat nostrud amet consectetur

Sunt do dolor deserunt esse magna ullamco minim ex. Esse ipsum aute proident reprehenderit Lorem fugiat commodo eu ex. Anim labore duis labore nulla sint. Laborum anim velit fugiat non fugiat eiusmod fugiat reprehenderit. Ad est eu reprehenderit labore mollit pariatur occaecat ea culpa id. Pariatur do mollit minim ea aute aliqua anim cupidatat laborum mollit occaecat nulla qui.

Enseignant

Adipisicing magna sint consectetur nostrud nisi do ut proident. Ut excepteur ea nostrud aliquip. Culpa nulla anim reprehenderit ipsum nisi pariatur laboris minim cillum amet sit. Esse in non esse sint exercitation do aliquip ad adipisicing dolore irure.

Proximité ontologique

Analyse (mathématiques): Analyse numérique

Séances de cours associées (28)

Méthode Runge Kutta

Couvre la méthode Runge Kutta et son application aux réseaux de contrôle et de neurones optimaux.

Modélisation des éléments finis: Dynamique

Introduit les bases de la modélisation des éléments finis pour la dynamique et discute de la méthode Newmark pour l'intégration du temps.

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.

Système des ODE

Explore les méthodes numériques pour résoudre les systèmes ODE, les régions de stabilité et l'importance absolue de la stabilité.

Analyse numérique

Couvre des sujets d'analyse numérique avancés, y compris les réseaux neuronaux profonds et les méthodes d'optimisation.