Lerninhalte finden
Features
Entdecke
Egal, ob Zusammenfassung, Altklausur, Karteikarten oder Mitschriften - hier findest du alles für den Studiengang Bachelor of Science Mathematik
Universität Erlangen-Nürnberg
Bachelor of Science Mathematik
Prof. Dr.
2024
Dein ergebnis
Du hast bereits ein Konto? Anmelden
Der erste Hauptteil der Vorlesung befasst sich umfassend mit den Theorie- und Methodikgrundlagen zur Diskretisierung kontinuierlicher Probleme. Diese Techniken sind essenziell für die Übergänge von kontinuierlichen zu diskreten Modellen.
Die Finite-Differenzen-Methode (FDM) ist eine der wichtigsten Techniken zur Diskretisierung von Differenzialgleichungen. Sie wird insbesondere zur numerischen Lösung von partiellen und gewöhnlichen Differenzialgleichungen genutzt.
Die Finite-Elemente-Methode (FEM) bietet eine Alternative zur FDM und ist besonders nützlich bei komplexen Geometrien und randwertbasierenden Problemen. Sie hat breite Anwendungen in der Strukturmechanik und Elektronik.
Gradientenverfahren sind grundlegende Techniken in der numerischen Optimierung, insbesondere für kontinuierliche Optimierungsprobleme. Diese Verfahren sind oft die Basis für komplexere Optimierungsalgorithmen.
Neben den Gradientenverfahren sind das Newton-Verfahren und Evolutionsstrategien wichtige Werkzeuge für die numerische Optimierung. Das Newton-Verfahren beschleunigt die Konvergenz, während Evolutionsstrategien inspiriert durch biologische Evolution, in der globalen Optimierung angewendet werden.
Der Kurs 'Diskretisierung und numerische Optimierung' an der Universität Erlangen-Nürnberg bietet Dir ein tiefgehendes Verständnis der Techniken und Methoden zur Lösung kontinuierlicher Probleme durch Diskretisierung und numerische Optimierung. Die Vorlesung ist in zwei Hauptteile aufgeteilt: Zunächst werden die Theorie und Methoden zur Diskretisierung kontinuierlicher Probleme behandelt. Im zweiten Teil befasst Du Dich mit fortgeschrittenen Methoden der numerischen Optimierung. Am Ende des Kurses gibt es eine schriftliche Prüfung, die alle behandelten Themen umfasst. Der Kurs wird im Wintersemester angeboten und umfasst bedeutende Themen wie Diskretisierungstechniken, die Finite-Differenzen-Methode, die Finite-Elemente-Methode, Gradientenverfahren, Newton-Verfahren, und Evolutionsstrategien.
Kursleiter: Prof. Dr.
Modulstruktur: Die Vorlesung ist in zwei Hauptteile aufgeteilt: Diskretisierungstechniken und numerische Optimierung. Der erste Teil umfasst die Theorie und Methoden zur Diskretisierung kontinuierlicher Probleme. Der zweite Teil befasst sich mit fortgeschrittenen Methoden der numerischen Optimierung.
Studienleistungen: Am Ende des Kurses gibt es eine schriftliche Prüfung, die alle behandelten Themen umfasst.
Angebotstermine: Der Kurs wird im Wintersemester angeboten.
Curriculum-Highlights: Diskretisierungstechniken, Finite-Differenzen-Methode, Finite-Elemente-Methode, Gradientenverfahren, Newton-Verfahren, Evolutionsstrategien
Beginne frühzeitig mit dem Lernen, idealerweise schon zu Beginn des Semesters, um Dir die nötige theoretische Basis anzueignen.
Nutze verschiedene Ressourcen, wie Bücher, Übungsaufgaben, Karteikarten und Probeklausuren, um dein Wissen zu vertiefen.
Schließe Dich Lerngruppen an und tausche Dich mit anderen Studierenden aus, um gemeinsam Lösungsstrategien zu entwickeln.
Vergiss nicht, regelmäßige Pausen einzulegen und in diesen Zeiten komplett abzuschalten, um eine Überbelastung zu vermeiden.
Sven N.
Kevin U.
Kevin U.
Pei Q.
Sie haben bereits ein Konto? Login
| Analysis II | Kurs ansehen |
| Bachelor-Arbeit Mathematik | Kurs ansehen |
| Bachelor-Seminar | Kurs ansehen |
| Computerorientierte Mathematik II | Kurs ansehen |
| Diskretisierung und numerische Optimierung | Kurs ansehen |
| Einführung in die Darstellungstheorie | Kurs ansehen |
| Funktionalanalysis I | Kurs ansehen |
| Funktionentheorie I | Kurs ansehen |
| Geometrie | Kurs ansehen |
| Gewöhnliche Differentialgleichungen | Kurs ansehen |
Schule 
Studium 
Ausbildung 
Karteikarten 
StudySmarter AI 
Notizen 
Lernplan 
Spaced Repetition 
Lernsets 
Finde einen Job 
Ausbildungen 
Magazine 
Mobile App 
Für Unternehmen
Marina M.