Postgraduate Section 3 1015: Διαφορά μεταξύ των αναθεωρήσεων

Από Περιγράμματα - Τμήμα Μαθηματικών
Μετάβαση σε: πλοήγηση, αναζήτηση
ΟπτικήΚώδικας wiki
Νέα σελίδα με '{{DISPLAYTITLE:<span style="position: absolute; clip: rect(1px 1px 1px 1px); clip: rect(1px, 1px, 1px, 1px);">{{FULLPAGENAME}}</span>}} <ul class="nav nav-pills mb-2 justify-content-end" id="pills-tab-lang" role="tablist"> <li class="nav-item"><btn id="pills-gr-tab" data-toggle="pill" class="nav-link active" role="tab" aria-controls="pills-gr" aria-selected="true">#pills-gr|Ελληνικά</btn></li> <li class="nav-item"><btn id="pills-en-tab" data-toggle="pill"...'
 
Ktzuvara (συζήτηση | συνεισφορές)
593 επεξεργασίες
Χωρίς σύνοψη επεξεργασίας
 
(Μία ενδιάμεση έκδοση από ένα χρήστη δεν εμφανίζεται)
Γραμμή 9: Γραμμή 9:


<div id="pills-gr" class="tab-pane fade show active" role="tabpanel" aria-labelledby="pills-gr-tab" style="text-align:left;">
<div id="pills-gr" class="tab-pane fade show active" role="tabpanel" aria-labelledby="pills-gr-tab" style="text-align:left;">
<div align = center>
== '''Μη Γραμμικός Προγραμματισμός''' ==
</div>




Γραμμή 31: Γραμμή 35:
|-
|-
! Τίτλος Μαθήματος
! Τίτλος Μαθήματος
| ΜΗ ΓΡΑΜΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ
| Μη Γραμμικός Προγραμματισμός
|-
|-
! Αυτοτελείς Διδακτικές Δραστηριότητες
! Αυτοτελείς Διδακτικές Δραστηριότητες
Γραμμή 51: Γραμμή 55:
| Δείτε το [https://ecourse.uoi.gr/ eCourse], την Πλατφόρμα Ασύγχρονης Εκπαίδευσης του Πανεπιστημίου Ιωαννίνων.
| Δείτε το [https://ecourse.uoi.gr/ eCourse], την Πλατφόρμα Ασύγχρονης Εκπαίδευσης του Πανεπιστημίου Ιωαννίνων.
|}
|}


=== Μαθησιακά Αποτελέσματα ===
=== Μαθησιακά Αποτελέσματα ===
Γραμμή 71: Γραμμή 74:
* Σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
* Σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
|}
|}


=== Περιεχόμενο Μαθήματος ===
=== Περιεχόμενο Μαθήματος ===


{| class="wikitable"
|
Βελτιστοποίηση με και χωρίς περιορισμούς: Πολλαπλασιαστές Lagrange, συνθήκες KarushKuhn-Tucker. Μέθοδοι βελτιστοποίησης για προβλήματα χωρίς περιορισμούς: Line Search, Trust Region, Conjugate Gradient, Newton, Quasi-Newton methods. Μέθοδοι βελτιστοποίησης για προβλήματα με περιορισμούς: Quadratic Programming, Penalty Barrier και Augmented Lagrangian Methods.  
Βελτιστοποίηση με και χωρίς περιορισμούς: Πολλαπλασιαστές Lagrange, συνθήκες KarushKuhn-Tucker. Μέθοδοι βελτιστοποίησης για προβλήματα χωρίς περιορισμούς: Line Search, Trust Region, Conjugate Gradient, Newton, Quasi-Newton methods. Μέθοδοι βελτιστοποίησης για προβλήματα με περιορισμούς: Quadratic Programming, Penalty Barrier και Augmented Lagrangian Methods.  
 
|}


=== Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση ===
=== Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση ===
Γραμμή 114: Γραμμή 118:
* Γραπτή τελική εξέταση (70%)
* Γραπτή τελική εξέταση (70%)
|}
|}


=== Συνιστώμενη Βιβλιογραφία ===
=== Συνιστώμενη Βιβλιογραφία ===


Δείτε την υπηρεσία [https://service.eudoxus.gr/public/departments#20 Εύδοξος]. Συγγράμματα και άλλες πηγές εκτός της υπηρεσίας Εύδοξος:
Δείτε την υπηρεσία [https://service.eudoxus.gr/public/departments#20 Εύδοξος].  
<!-- Συγγράμματα και άλλες πηγές εκτός της υπηρεσίας Εύδοξος: -->
</div>
</div>


<div id="pills-en" class="tab-pane fade" role="tabpanel" aria-labelledby="pills-en-tab" style="text-align:left;">
<div id="pills-en" class="tab-pane fade" role="tabpanel" aria-labelledby="pills-en-tab" style="text-align:left;">
<div align = center>
== '''Non Linear Programming''' ==
</div>




Γραμμή 138: Γραμμή 146:
|-
|-
! Course Code
! Course Code
| ΣΣΕ7
| ΣΕΕ7
|-
|-
! Semester
! Semester
Γραμμή 144: Γραμμή 152:
|-
|-
! Course Title
! Course Title
| Non Linear Programing
| Non Linear Programming
|-
|-
! Independent Teaching Activities
! Independent Teaching Activities
Γραμμή 164: Γραμμή 172:
| See [https://ecourse.uoi.gr/ eCourse], the Learning Management System maintained by the University of Ioannina.
| See [https://ecourse.uoi.gr/ eCourse], the Learning Management System maintained by the University of Ioannina.
|}
|}


=== Learning Outcomes ===
=== Learning Outcomes ===
Γραμμή 172: Γραμμή 179:
! Learning outcomes
! Learning outcomes
| The course aims to introduce students to the fundamentals of non-linear optimization. Upon successful completion of the course the student will be able to:
| The course aims to introduce students to the fundamentals of non-linear optimization. Upon successful completion of the course the student will be able to:
# understand the basic principles of nonlinear optimization problems.
* understand the basic principles of nonlinear optimization problems.
# use some of the commonly used algorithms for nonlinear optimization (unconstrained and constrained).
* use some of the commonly used algorithms for nonlinear optimization (unconstrained and constrained).
# select the appropriate algorithm for a particular optimization problem.
* select the appropriate algorithm for a particular optimization problem.
|-
|-
! General Competences
! General Competences
|
|
# Working independently
* Working independently
# Decision-making
* Decision-making
# Adapting to new situations
* Adapting to new situations
# Production of free, creative and inductive thinking
* Production of free, creative and inductive thinking
# Synthesis of data and information, with the use of the necessary technology
* Synthesis of data and information, with the use of the necessary technology
|}
|}


=== Syllabus ===
=== Syllabus ===


{| class="wikitable"
|
Introduction to unconstrained and constrained optimization, Lagrange Multipliers, Karush-Kuhn-Tucker conditions, Line Search, Trust Region, Conjugate Gradient, Newton, Quasi-Newton methods, Quadratic Programming, Penalty Barrier and Augmented Lagrangian Methods.  
Introduction to unconstrained and constrained optimization, Lagrange Multipliers, Karush-Kuhn-Tucker conditions, Line Search, Trust Region, Conjugate Gradient, Newton, Quasi-Newton methods, Quadratic Programming, Penalty Barrier and Augmented Lagrangian Methods.  
 
|}


=== Teaching and Learning Methods - Evaluation ===
=== Teaching and Learning Methods - Evaluation ===
Γραμμή 221: Γραμμή 229:
|-
|-
! Student Performance Evaluation
! Student Performance Evaluation
| LANGUAGE OF EVALUATION: Greek<br/>METHODS OF EVALUATION: Written work (30%), Final exam (70%).
| Language of Evaluation: Greek<br/>Methods of Evaluation: Written work (30%), Final exam (70%).
|}
|}


=== Attached Bibliography ===
=== Attached Bibliography ===


See the official [https://service.eudoxus.gr/public/departments#20 Eudoxus site]. Books and other resources, not provided by Eudoxus:
See the official [https://service.eudoxus.gr/public/departments#20 Eudoxus site].  
<!-- Books and other resources, not provided by Eudoxus: -->
</div>
</div>


<div style="text-align:left;">
<!-- <div style="text-align:left;">
* ---
* --- </div> -->
</div>
</div>
</div>

Τελευταία αναθεώρηση της 09:55, 25 Μαρτίου 2026



Γενικά

Σχολή Σχολή Θετικών Επιστημών
Τμήμα Τμήμα Μαθηματικών
Επίπεδο Σπουδών Μεταπτυχιακό
Κωδικός Μαθήματος ΣEE7
Εξάμηνο 2
Τίτλος Μαθήματος Μη Γραμμικός Προγραμματισμός
Αυτοτελείς Διδακτικές Δραστηριότητες Διαλέξεις (Εβδομαδιαίες Ώρες Διδασκαλίας: 3, Πιστωτικές Μονάδες: 7.5)
Τύπος Μαθήματος Ειδικότητας
Προαπαιτούμενα Μαθήματα
Γλώσσα Διδασκαλίας και Εξετάσεων Ελληνική
Το Μάθημα Προσφέρεται σε Φοιτητές Erasmus Ναι (στην Αγγλική γλώσσα)
Ηλεκτρονική Σελίδα Μαθήματος (URL) Δείτε το eCourse, την Πλατφόρμα Ασύγχρονης Εκπαίδευσης του Πανεπιστημίου Ιωαννίνων.

Μαθησιακά Αποτελέσματα

Μαθησιακά Αποτελέσματα Στόχος του μαθήματος είναι η παρουσίαση των βασικών αρχών του μη γραμμικού προγραμματισμού, σε προβλήματα βελτιστοποίησης με και χωρίς περιορισμούς. Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής /τρια θα είναι σε θέση να:
  • κατανοεί τις βασικές αρχές βελτιστοποίησης μη γραμμικών προβλημάτων
  • χρησιμοποιεί μερικούς από τους ευρέως χρησιμοποιούμενους αλγορίθμους για μη γραμμική βελτιστοποίηση (χωρίς περιορισμούς και περιορισμούς)
  • επιλέγει τον κατάλληλο αλγόριθμο σε σχέση με το πρόβλημα βελτιστοποίησης.
Γενικές Ικανότητες
  • Αυτόνομη εργασία
  • Λήψη αποφάσεων
  • Προσαρμογή σε νέες καταστάσεις
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
  • Σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών

Περιεχόμενο Μαθήματος

Βελτιστοποίηση με και χωρίς περιορισμούς: Πολλαπλασιαστές Lagrange, συνθήκες KarushKuhn-Tucker. Μέθοδοι βελτιστοποίησης για προβλήματα χωρίς περιορισμούς: Line Search, Trust Region, Conjugate Gradient, Newton, Quasi-Newton methods. Μέθοδοι βελτιστοποίησης για προβλήματα με περιορισμούς: Quadratic Programming, Penalty Barrier και Augmented Lagrangian Methods.

Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση

Τρόπος Παράδοσης Πρόσωπο με πρόσωπο
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
  • Χρήση Lindo/Lingo Software, Mathematica/ Matlab
  • Χρήση Τ.Π.Ε. στην Επικοινωνία
Οργάνωση Διδασκαλίας
Δραστηριότητα Φόρτος Εργασίας Εξαμήνου
Διαλέξεις 39
Αυτοτελής Μελέτη 70
Ασκήσεις Πεδίου (7-8 σύνολα ασκήσεων) 78.5
Σύνολο Μαθήματος 187.5
Αξιολόγηση Φοιτητών
  • Γραπτές εργασίες (30%)
  • Γραπτή τελική εξέταση (70%)

Συνιστώμενη Βιβλιογραφία

Δείτε την υπηρεσία Εύδοξος.

Non Linear Programming


General

School School of Science
Academic Unit Department of Mathematics
Level of Studies Graduate
Course Code ΣΕΕ7
Semester 2
Course Title Non Linear Programming
Independent Teaching Activities Lectures (Weekly Teaching Hours: 3, Credits: 7.5)
Course Type Special Background
Prerequisite Courses -
Language of Instruction and Examinations Greek
Is the Course Offered to Erasmus Students Yes (in English)
Course Website (URL) See eCourse, the Learning Management System maintained by the University of Ioannina.

Learning Outcomes

Learning outcomes The course aims to introduce students to the fundamentals of non-linear optimization. Upon successful completion of the course the student will be able to:
  • understand the basic principles of nonlinear optimization problems.
  • use some of the commonly used algorithms for nonlinear optimization (unconstrained and constrained).
  • select the appropriate algorithm for a particular optimization problem.
General Competences
  • Working independently
  • Decision-making
  • Adapting to new situations
  • Production of free, creative and inductive thinking
  • Synthesis of data and information, with the use of the necessary technology

Syllabus

Introduction to unconstrained and constrained optimization, Lagrange Multipliers, Karush-Kuhn-Tucker conditions, Line Search, Trust Region, Conjugate Gradient, Newton, Quasi-Newton methods, Quadratic Programming, Penalty Barrier and Augmented Lagrangian Methods.

Teaching and Learning Methods - Evaluation

Delivery Face-to-face
Use of Information and Communications Technology Lindo/Lingo Software, Mathematica, Email, class web
Teaching Methods
Activity Semester Workload
Lectures 39
Study and analysis of bibliography 78
Preparation of assignments and interactive teaching 70.5
Course total 187.5
Student Performance Evaluation Language of Evaluation: Greek
Methods of Evaluation: Written work (30%), Final exam (70%).

Attached Bibliography

See the official Eudoxus site.

Ανακτήθηκε από «https://outlines.math.uoi.gr/index.php?title=Postgraduate_Section_3_1015&oldid=540»