روش های تکراری پیش فرض در مسائل گسسته خطی از منظر معکوس« بایسیان»

چکیده:
در این مقاله ما با مسائل گسسته خطی که با روشهای تکراری قابل حل می باشد از نظر آماری معکوس بایسیان روبرو خواهیم شد پس از بررسی اجمالی روش های تکراری عمده برای حل مسائل ناقص خطی و برخی نتایج آماری اولیه و روشهای آماری استراتژیهای ترسیمی را مورد تجزیه و تحلیل قرار خواهیم داد. نمونه های محاسبه شده رابط بین این دو را تشریح می کند.
کلمات کلیدی: حل های معکوس( امتحانی) فضای فرعی« کریلا» و روش معکوس« بایسیان»
پیش فرضها مسائل ناقص


(1) مقدمه
استفاده از روشهای تکراری برای حل سیستمهای خطی معادلات روشی انتخابی است هنگامی که ابعاد سیستم آنقدر بزرگ باشد که
فاکتورسازی ماتریس A را غیر عملی سازد یا هنگامی که ماتریس آن بطور صریح مجهول باشد و ما بآسانی بتوانیم حاصلضرب آن را با هر گونه بردار معلومی محاسبه کنیم. هنگامی که سیستم خطی در رابطه با گسستگی مسائل خطی ناقص سمت راست b اطلاعات و فرضیات را مورد بررسی قرار دهد، نقش مسائل متوالی در ماتریس A افزایش می یابد و بنابراین حل مسائل برای یافتن خطا در داده ها مهم و ضروری به نظر می رسد. بمنظور حفظ خطا در نشان دادن صورت b برخی از روشهای بدست آوردن مجهولات بایستی مشخص شود در زمینه روشهای معکوس بمنظور حل مجهولات بواسطه توقف کردن تکرار قبل از همگرایی در حل سیستم های خطی بهتر است به تکرار های ناقص رجوع شود. تجزیه و تحلیل کامل در ویژگی های معلوم کردن به روش CG در معادلات کامل هنگامی که می توان از معیارهای بازدارندگی مناسب استفاده کرد در بخش ] 10 [ قابل بحث می باشد.
در صورتیکهM ماتریس معکوس باشد، براساس ویژگی های طیفی MA همگرایی سریعترین برای روشهای حل تکراری ایجاد می کند. ماتریس M ماتریس شرطی سمت چپ برای سیستم خطی(1) نامیده می شود قابلیت امتحان ماتریس M نشان میدهد که سیستم های (1) و (2) راه حل یکسانی دارند انتخاب یک ماتریس شرطی مقدم M نشان می دهد که چنین ماتریسی نه تنها ویژگی های طیفی ماتریس A را تغییر می دهد بلکه بمنظور حل سیستم های خطی با مضروب ماتریس A بآسانی می توان آن را در کل بردار ضرب کرد. در حقیقت در هنگام حل سیستم 2 به روش تکرار لازم است ضرب ماتریس در بردار را در فرم مورد محاسبه قرار دهیم. سیستم خطی (1) با معادله زیر قابل جانشینی است.
(3)
ماتریس معکوس
در صورتی کهM ماتریس معکوس باشد در این مورد M ماتریس شرطی اولیه را ست نامیده می شود و از آنجائیکه هنگام حل سیستم خطی لازم است ضرب ماتریس در بردار را که بصورت نشان داده می شود محاسبه کنیم حل سیستم خطی با ضریب ماتریس A نیز ضروری به نظر می رسد یکی از شرایط برای روشهای حل تکراری در سیستم های خطی را می توان در بخش 19 مشاهده کرد زمانی که سیستم خطی از پراکندگی مسائل ناقص خطی ناشی می شود لازم و ضروری است که این مسائل را حل کرد در عوض تغییر مسیر از شتاب دهنده های همگرا به یک افزایش دهنده کیفیت در حل مسائل محاسبه شده به هیچ روش امکان پذیر نمی باشد. علاوه بر آن سمت و جهتی که معکوس ماتریس بکار می رود بسیار مهم است.در حل تکراری مسائل خطی یک شرط اولیه سمت راست مرتبط با داده های کاملاً منسجم و موجود در مورد حل در حالیکه شرایط لازم الاجرای سمت چپ داده هایی در مورد تمایز ویژگی های آماری ارائه می دهد در حالی که کاربرد این فرضیات در رابطه با روشهای تکراری در سیستم های خطی مشابه و مسائل خطی ناقص بر هم مرتبط است ساخت این پیش فرضیات مناسب کاملاً متغیر بوده و در موارد بعدی برای فهم اینکه چگونه این پیش فرضیات بر کیفیت حل مسائل اثر گذارنده مهم بنظر می رسد.
برخی انواع داده های قبلی در مورد حل ممکن است قابل تغیر به یک تغییرات مناسب در جهت حل های تکراری باشد بعنوان مثال داده هایی در مورد حد های بالایی و پائینی در حل اعداد صحیح بواسطه مراحل ترسیم سازی، پس از ترسیم روش تقریبی روش های تکراری با استفاده از روش های حل ترسیمی بعنوان یک سری حدسیات اولیه جدید آغاز می شود رجوع شود به] 3 [ فرایند ادامه می یابد تا یک معیاری برای توقف حاصل شود این امر باعث می شود روشهای مؤثر محاسباتی نسبت به مدل های استاندارد تأثیر بهتری داشته باشد.
این مقاله به صورت زیر تنظیم شده است در بخش 2 ما مختصراً برخی از تحقیقات در زمینه روشهای تکراری کریلا و را برای مسائل ناقس و گسسته خطی مورد بررسی قرار می دهیم بخس 3 یک بررسی اجمالی در مورد نتایج آماری مورد نیاز می باشد بخش 4 رابطه بین پیش فرضیات و مسائل معکوس آماری« بایسیان» را با اطلاعات آماری در زمینه حل و نقص را عنوان میکند بخش 5 چگونگی استفاده از استراتژیهای ترسیمی را باری فائق آمدن بر حدهای بالایی و پائینی در حل مسائل نشان میدهد. در بخش 6 ما دیدگاهی را مورد چگونگی انتخاب حدهای مناسب برای یک مجموعه مسائل خطی ناقص هنگامی که راه حل هایی برای حل حدها بخوبی شناخته نشده باشد و چگونگی فائق آمدن بر آن ها را با پیش فرضیات سمت راست مورد بررسی قرار می دهیم. رابطه بین پیش فرضیات سمت چپ و ویژگی های آماری در بخش 7 می آید بخش 8 نمونه های حل شده ای از عملکرد پیش فرض ها و استراتژی های ترسیمی را در بخشهای پیشین ارائه می دهد. نتایج و رئوس مطالب در بخش 9 موجود است.

نسبیت

مقدمه :
معمولا سه مرحله مجزا در تحول بینیتی وجود دارد. این سه مرحله به طور شماتیک است. در ابتدا یک زیر وامه که تشکیل از یک صفحه فریتی است روی مرزدانه آشیت جوانه زنی کرده و تا زمانی که رشد آن توسط تغییر شکل پلاستیک آشیت زمینه متوقف نشده به رشد خود ادامه می دهد. در این مرحله زیر واحدهای جدید در نوک صفحه فریتی قبلی جوانه زنی کرده و رشد می کنند . مجموعه ای از چند زیر واحد را اصطلاحا یک شیف (Sheef) می گویند. سرعت متوسط طویل شدن یک شیف قاعدتا کمتر از یک زیر واحد است که علت آن وقفه های زمانی بین تکیل زیر واحدهای متوالی است . رسوبگذاری کاربید که در مرحله بعدی وقوع می یابد سرعت تحول را با حذف کربن از آشیت باقی مانده یا از فریت فوق اشباع متاثر می کند.
دمای شروع تحول
دمای شروع تشکیل نسبیت و هم چنین فریت ویرمن اشتاین که ماهیت تحول آن بسیار شبیه به نسبیت می باشد ) به ترکیب شیمیایی فولاد بیش از دمای حساس هستند (شکل a6.3(
این مساله نشان دهنده اثر انحنای محلول بر تحولات بینیتی یا فریت ویرمن اشتاتن است.
ویاگرام زمان – دما – استحاله (TTT) در فولاد ها اغلب مطابق شکل b 6.3 است . همانطور که ملاحظه می گردد این دیاگرام شامل در منحنی c شکل است که بالائی مربوط به تحولات نفوذی یا تحولات همراه با دوباره بنا شدن ساختارهای فازی (Re Consteructive) و منحنی پایینی مربوط به تحولات برشی یا همراه با جابجایی دسته جمعی انحنا (displacive) می باشند . دمای روی منحنی پایینی شکل b6.3 نشان دهنده بالاترین دمایی است که فریت ویرمن اشتاتن و نسبیت یکسان بوده و صرفا به شرایط ترمودینامیکی بستگی دارد. با توجه به تاثیر عناصر آلیاژی بر دمای شروع تحول نسبیتی روابط تجربی زیادی در فولادهای مختلف ارائه شده اند مثلا رابطه برای فولادهای مختلف با آنالیز 55/0-1/0 درصد کربن 35/0-1/0 درصد سیلسیوم 7/1-2/0 درصد منگنز 0/5-0 درصد نیکل 5/3-0 درصد کروم 0/1-0 درصد مولیون ارائه گردیده است.



جوانه زنی نسبیت
همانطور که اشاره گردید جوانه زنی نسبیت مشتمل است بر تشکیل یک زیر واحد به صورت یک صفحه فریتی در مرزدانه آشیت اولیه سرعت جوانه زنی تابعی از دما و انرژی فعالسازی تحول است و به صورت زیر بیان می گردد.

از رابطه فوق v فاکتور نوسانی انرژی فعالسازی جوانه زنی و A ثابت است .
رشد نسبیت
جابجایی فصل مشترک بین واحدهای نسبیت باآشتینت باقی مانده نیازمند جابجایی ایتمهای فاز مادر و اختیار ساختار فاز محصول است . سهولت وقوع این فرایند میزان تحرک مرز را تعیین می نماید البته توزیع اتمهای محلول و همچنین کربن حرکت فصل مشترک را محدود می نماید .بنابر این دو عامل تحرک مرز در اثر جابجایی اتمهاو نفوذ کربن و اتمهای محلول تعیین کننده سینیتک رسد نسبیت هستند . هر دو این فرایندها نیرو محرکه موجود برای تحول را مصرف می کنند.
هنگامی که بیشتر نیرو محرکه موجود جهت نفوذ اتمها مصرف می گردد تحول را کنترل شونده توسط نفوذ می گویند و اگر بالعکس نیرومحرکه جهت اتمها در سراسر فصل مشترک مصرف شود آنرا تحول کنترل شونده بالفصل مشترک می گویند . ابعاد تیغه های نسبیت در طی رشد تحت کنترل نفوذ با زمان به صورت پارا بولیک تغییر می کند . با افزایش ابعاد فاز محصول منطقه نفوذی هم گسترش می یابد و افزایش مسافت نفوذ جهت رسیدن اتمهای محلول به دورترین نقاط باعث کاهش سرعت نفوذ می شود .
ولی صفحات یا سوزنهای موجود با توجه به توزیع اتمهای محلول به وجوه با سرعتی ثابت به رشد خود ادامه می دهند.

مینیمم کردن توابع چند متغیره

مقدمه:
یک کاربرد مهم حساب دیفرانسیل، پیدا کردن مینیمم موضعی یک تابع است. مسائل مربوط به ماکزیمم کردن نیز با تئوری مینیمم کردن قابل حل هستند. زیرا ماکزیمم F در نقطه ای یافت می شود که -F مینیمم خود را اختیار می کند.
در حساب دیفرانسیل تکنیک اساسی برای مینیمم کردن، مشتق گیری از تابعی که می‌خواهیم آن را مینیمم کنیم و مساوی صفر قرار دادن آن است.
نقاطی که معادله حاصل را ارضا می کنند، نقاط مورد نظر هستند. این تکنیک را می توان برای توابع یک یا چند متغیره نیز استفاده کرد. برای مثال اگر یک مقدار مینیمم را بخواهیم، به نقاطی نگاه می کنیم که هر سه مشتق پاره ای برابر صفر باشند.
این روند را نمی توان در محاسبات عدی به عنوان یک هدف عمومی در نظر گرفت. زیرا نیاز به مشتقی دارد که با حل یک یا چند معادله بر حسب یک یا چند متغیر بدست می آید. این کار به همان سختی حل مسئله بصورت مستقیم است.

مسائل مقید و نامقید مینیمم سازی:
مسائل مینیمم سازی به دو شکل هستند:نامقید و مقید:
در یک مسئله ی مینیمم سازی نامقید یک تابع F از یک فضای n بعدی به خط حقیقی R تعریف شده و یک نقطه ی با این خاصیت که

جستجو می شود.
نقاط در را بصورت z, y, x و... نشان می دهیم. اگر نیاز بود که مولفه های یک نقطه را نشان دهیم می نویسیم:

در یک مسئله ی مینیمم سازی مقید، زیر مجموعه ی K در مشخص می شود . یک نقطة
جستجو می شود که برای آن:

چنین مسائلی بسیار مشکل ترند، زیرا نیاز است که نقاط در K در نظر گرفته شوند. بعضی مواقع مجموعه ی K به طریقی پیچیده تعریف می شود.
سهمی گون بیضوی به معادله‌ی

را در نظر بگیرید که در شکل 1-14 مشخص شده است. به وضوح مینیمم نامقید در نقطه ی
(1و1) ظاهر می شود، زیرا:

اگر
مینیمم مقید 4 است و در (0،0) اتفاق می افتد.
Matlab دارای قسمتی است برای بهینه سازی که توسط اندرو گریس طراحی شده و شامل دستورات زیادی برای بهینه سازی توابع عمومی خطی و غیر خطی است.
برای مثال ما می توانیم مسئله ی مینیمم سازی مربوط به سهمی گون بیضوی نشان داده شده در شکل 1-14 را حل نماییم.
ابتدا یک M-file به نام q1.m می نویسیم و تابع را تعریف می کنیم: