Postgraduate Section 3 1015

Από Περιγράμματα - Τμήμα Μαθηματικών
Αναθεώρηση ως προς 16:52, 9 Μαρτίου 2026 από τον G.R.Chrysostomidis (συζήτηση | συνεισφορές) (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"...')
(διαφορά) ← Παλαιότερη αναθεώρηση | Τελευταία αναθεώρηση (διαφορά) | Νεότερη αναθεώρηση → (διαφορά)
Μετάβαση σε: πλοήγηση, αναζήτηση



Γενικά

Σχολή Σχολή Θετικών Επιστημών
Τμήμα Τμήμα Μαθηματικών
Επίπεδο Σπουδών Μεταπτυχιακό
Κωδικός Μαθήματος ΣEE7
Εξάμηνο 2
Τίτλος Μαθήματος ΜΗ ΓΡΑΜΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ
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. Συγγράμματα και άλλες πηγές εκτός της υπηρεσίας Εύδοξος:


General

School School of Science
Academic Unit Department of Mathematics
Level of Studies Graduate
Course Code ΣΣΕ7
Semester 2
Course Title Non Linear Programing
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:
  1. understand the basic principles of nonlinear optimization problems.
  2. use some of the commonly used algorithms for nonlinear optimization (unconstrained and constrained).
  3. select the appropriate algorithm for a particular optimization problem.
General Competences
  1. Working independently
  2. Decision-making
  3. Adapting to new situations
  4. Production of free, creative and inductive thinking
  5. 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. Books and other resources, not provided by Eudoxus:

  • ---
Ανακτήθηκε από «https://outlines.math.uoi.gr/index.php?title=Postgraduate_Section_3_1015&oldid=240»