Séance de cours
Optimisation sans contraintes : méthode de graduation
Description
Cette séance de cours couvre l'optimisation sans contraintes à l'aide de la méthode de gradient, en se concentrant sur la recherche du minimum d'une fonction. L'instructeur explique le processus étape par étape, illustrant avec des exemples et des formules mathématiques. La séance de cours souligne l'importance de comprendre la méthode de descente par gradient pour les problèmes d'optimisation.
Enseignant
aliquip pariatur commodo
Cillum exercitation sunt sit elit minim dolor. Id ad reprehenderit nisi occaecat. Enim deserunt consectetur aliqua nostrud culpa cillum aliqua commodo commodo culpa dolor cillum officia. Sit reprehenderit incididunt deserunt qui ut fugiat nisi incididunt. Eu non voluptate est ad consequat ipsum veniam tempor eiusmod. Fugiat magna dolor dolor minim dolore non dolor enim.
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 (86)
Optimisation avec contraintes : conditions KKT
Couvre les conditions KKT pour l'optimisation avec des contraintes, essentielles pour résoudre efficacement les problèmes d'optimisation.
Méthodes d'optimisation : discussion théorique
Explore les méthodes d'optimisation, y compris les problèmes sans contraintes, la programmation linéaire et les approches heuristiques.
Optimisation avec contraintes: Algorithme de point d'intérieur
Explore l'optimisation avec des contraintes en utilisant les conditions KKT et l'algorithme de point intérieur sur deux exemples de programmation quadratique.
Optimisation des systèmes énergétiques
Explore l'optimisation dans la modélisation des systèmes énergétiques, couvrant les variables de décision, les fonctions objectives et les différentes stratégies avec leurs avantages et leurs inconvénients.
Optimisation non linéaire
Couvre la recherche en ligne, la méthode de Newton, BFGS et le gradient conjugué en optimisation non linéaire.