В блоке производной какая-то transfer function? подскажите, пожалуйста, что конкретно там скрыто, пытаюсь повторить не получается именно из-за этого дифференцирования 6:32
@user-lx3cs6zw5y4 ай бұрын
Спасибо Вам большое! Очень интересное и познавательное видео! Смотрю Ваши видео из Казахстана. А где можно ознакомиться с Вашими трудами?
@dnav50414 ай бұрын
Иван, спасибо за Вашу работу, за лекцию и за то, что выкладываете в открытый доступ!
@user-kw3gv8dy3q Жыл бұрын
А чему равен угол гамма?
@ivanborisov8583 Жыл бұрын
gamma = atan2(y,x)
@grahamflowers Жыл бұрын
There is no kinetic energy in a moving mass there is force Mv squared , kinetic energy is the energy of consistent work from a consistent force regards Graham Flowers
@ivanborisov8583 Жыл бұрын
Kinetic energy is a measure of the work performed by any object as it moves, it is defined in terms of mass and velocity. What are you talking about? The force is equal to the time derivative of the momentum, it is not equal to mv^2
@grahamflowers Жыл бұрын
@@ivanborisov8583 A mass moving at 50 mph all of the mass is moving at 50 mph fact if kinetic energy is half mass velocity squared then what is in the other half regards Graham Flowers
@grahamflowers Жыл бұрын
@@ivanborisov8583 force= M x acceleration.acceleration = m/s squared .velocity = m/s hen's force= Mv squared regards Graham Flowers
@ivanborisov8583 Жыл бұрын
@@grahamflowers You can find the whole derivation here en.wikipedia.org/wiki/Kinetic_energy
@grahamflowers Жыл бұрын
@@ivanborisov8583 you have not answered the question what is in the other half regards Graham Flowers
@ikitsar459 Жыл бұрын
Если F(x^*) - F(x)>=0, то вычисляем вероятность Здесь надо оставить строгое неравенство, так как если разность равна 0, то вероятность будет равняется 1 и нам придётся лишнее вычисление делать. Нужно знак равно перенести в первое сравнение F(x^*) - F(x)<=0 F(x^*) - F(x)>0 И ещё один момент. Нигде не услышал, как выбирается следующая точка. Если она выбирается случайным образом из всего множества решений, то зачем боятся застревания в локальном минимуме? В любой момент из него вылезти можно. Тогда алгоритм выглядит так: выбираем случайную точку и если она ниже текущей, то переходим на неё, если выше, то просто пробуем выбрать другую точку. Или есть какие то правила по выбору следующей точки?
@ivanborisov8583 Жыл бұрын
Спасибо за наблюдение! Если разница F(x^*) - F(x) = 0, то вероятность действительно равна единице P = exp(-0/T) = 1, но если перенести знак равенства в первое условие, то при F(x^*) - F(x) = 0 вероятность тоже будет равна единице P=1, результат не изменится. "Лишнее вычисление" делает программа, быстродействие которой заметно не изменится, если знак равенства будет в первом условии. В целом можно и так и так в данном базовом исполнении алгоритма. Строгое условие принято указывать для решения, которое гарантировано дает лучшее значение функции, например меньшее при задаче минимизации функции; при равенстве значений функции у нас может быть и другое условие, например P=0, т.к. может быть в таком х нет большого смысла. Функция вероятности для F(x^*) - F(x)>=0 может быть модернизирована весовыми коэффициентами, дополнительными эвристиками и прч., так что при F(x^*) - F(x)=0, вероятность будет отлична от единицы. Следующее значение х выбирается случайным образом. Вы предложили альтернативный алгоритм поиска, но скажите, пожалуйста, а каково условие остановки работы алгоритма? До каких пор мы будем рассматривать решения? Пока не пересмотрим их все? Если так, то боюсь алгоритм будет не из самых быстрых. Или ограничение по количеству сравнений, как в алгоритмах прямого поиска? Вообще, то что вы предложили называется жадным алгоритмом и его тоже можно использовать, все зависит от задачи. Суть в компромиссе между исследованием пространства решений и использованием найденных значений. Полный перебор невозможен (см. задача коммивояжера), поэтому надо как-то "умно" исследовать пространство. Жадный алгоритм больше про использование быстро найденного решения, имитация отжига про взвешенный подход к исследованию и использованию.
@ikitsar459 Жыл бұрын
@@ivanborisov8583 ну так если следующее значение выбирается случайным образом, то невозможно застрять в локальном минимуме, мы в любой момент можем перейти в любую более удачную точку. Вы об этом говорите 4:40 "мы никогда не вылезем..." А что не даст вам вылезти из локального минимума, если "Следующее значение х выбирается случайным образом." ? Допустим, вы попали в локальный минимум, случайно выбираете следующую точку и оказываетесь в глобальном минимуме и смело переходите туда И если "Следующее значение х выбирается случайным образом.", то нет смысла ни в в фиксировании текущей точки, ни в расчёте вероятности перехода. Просто случайно перебираем варианты заданное количество итераций и на выходе берём лучший вариант. В вашем варианте мы в точности также перебираем случайные варианты, но на выходе, возможно, берём не самый лучший вариант из найденных, плюс делаем кучу вычислений, которые ни как не влияют на то, какую точку мы выберем в следующий раз. Поиск будет такой же случайный, как и в случайном переборе
@ivanborisov8583 Жыл бұрын
Все зависит от политики для х. Например, в локальный минимум мы попадем если используем градиентный спуск, т.к. там х выбирается не случайным образом, а в направлении минимизации значений градиента x_{n+1}=x_{n}+scale*df/dx Если х выбирается случайно, то локальные минимумы не страшны. Поэтому градиентные методы используются для выпуклых целевых функций, а для функций с локальными и глобальными минимумами и максимумами используются алгоритмы глобальной оптимизации. Алгоритм имитации отжига исследует пространство решений. Допустим начальная точка выбрана случайно х0=random, то последующая точка может быть сгенерирована, например, следующим образом x*=x_i+random*scale, где х* точка кандидат, x_i - предыдущее значение, random - какое то случайное число или какая-то эвристика, scale - какой-то весовой коэффициент, который может быть как константой, так и функцией. Алгоритм имитации отжига похож на градиентный спуск, но из-за random в х* может выбираться из локальных минимумов. Жадный алгоритм нацелен на максимизацию сиюмоментного вознаграждения, жадный алгоритм слепой. Можно запускать итерационно, допустим с учетом ранее рассмотренных значений и тоже найти решение.
@ikitsar459 Жыл бұрын
@@ivanborisov8583 "..последующая точка может быть сгенерирована, например, следующим образом x*=x_i+random*scale.." Ну вот. Теперь следующая точка выбирается не случайно, а из какой то окрестности :( Странно всё это. Поискал в интернете, расстояние от текущей точки до следующей ограниченно и оно может уменьшаться пропорционально уменьшению температуры. В этом случае поиск перестаёт быть случайным перебором
@ivanborisov8583 Жыл бұрын
@@ikitsar459 выбор точки зависит от случайной величины “random”, поэтому подход вероятностный. Стратегия выбора точки должна настраиваться разработчиком. То что я описал выше- один из способов реализации
@ileyka Жыл бұрын
Хорошие лекции! Можно ли у вас пройти небольшой курс по simscape/simulink, не будучи студентом? И если такое есть , то интересует как связаться и стоимость.
@ivanborisov8583 Жыл бұрын
Все видео занятий выкладываю в открытый доступ. Материалы курса ещё не выложил, планирую в будущем. Если хотите получить материалы, реализованные на данный момент, напишите на почту [email protected]
@motriz-industrial6846 Жыл бұрын
Very well explained!! Thank you!! Can you make a video on how to solve the problem in the link? drive.google.com/drive/folders/1-lMO0o1tc93eHl5utegtg9jDnKvvIvii?usp=sharing
@ivanborisov8583 Жыл бұрын
In the next videos I am explaining how to solve the direct kinematics task using this concept
@motriz-industrial6846 Жыл бұрын
@@ivanborisov8583 Thanks!!
@motriz-industrial6846 Жыл бұрын
@@ivanborisov8583 Thanks!!
@arturoaramburo9365 Жыл бұрын
You don't need a video. Here it is: Temporary_Point_X = ((Cos1(A1) * Source_Point_X) - (Sin1(A1) * Source_Point_Y)) Temporary_Point_Y = ((Cos1(A1) * Source_Point_Y) + (Sin1(A1) * Source_Point_X)) Destination_Point_X = Joint2_X + ((Temporary_Point_X - Joint2_X) * Cos1(A2)) - ((Temporary_Point_Y - Joint2_Y) * Sin1(A2)) Destination_Point_Y = Joint2_Y + ((Temporary_Point_X - Joint2_X) * Sin1(A2)) + ((Temporary_Point_Y - Joint2_Y) * Cos1(A2))
@ivanborisov8583 Жыл бұрын
Так!
@viktorpavlov4499 Жыл бұрын
Огонь
@abdullahcakan Жыл бұрын
Dear Prof, Do you share project as a GitHub repository?
@ivanborisov8583 Жыл бұрын
Not yet. But I am going to upload it there
@abdullahcakan Жыл бұрын
@@ivanborisov8583 waiting for that ;) thanks
@abdullahcakan Жыл бұрын
Dear prof, do you share course materials?
@abdullahcakan2 жыл бұрын
Dear Sir, excellent lectures.. Do you share presentations and files as an instructor resources?
@wilsonohwedor2 жыл бұрын
I am grateful!
@user-dp7gj4zm2o2 жыл бұрын
0:50 Motivation 2:37 Position Control 5:44 Matlab 11:50 Dynamics Control 14:06 Matlab 18:06 Impedance Control 20:23 Matlab 24:26 Mechanisms variants 27:55 Conclusion
@user-dp7gj4zm2o2 жыл бұрын
1:43 Motivation 2:26 Definitions 4:20 Examples 6:00 Matlab Demo 19:20 About Control 21:25 PID intuition 25:30 Matlab 29:32 Example 1: Four-bar mechanism in Matlab 34:40 About Practice 36:30 Example 2: Crank slider mechanism 37:56 Linkage variants 41:40 The Report
Пікірлер
В блоке производной какая-то transfer function? подскажите, пожалуйста, что конкретно там скрыто, пытаюсь повторить не получается именно из-за этого дифференцирования 6:32
Спасибо Вам большое! Очень интересное и познавательное видео! Смотрю Ваши видео из Казахстана. А где можно ознакомиться с Вашими трудами?
Иван, спасибо за Вашу работу, за лекцию и за то, что выкладываете в открытый доступ!
А чему равен угол гамма?
gamma = atan2(y,x)
There is no kinetic energy in a moving mass there is force Mv squared , kinetic energy is the energy of consistent work from a consistent force regards Graham Flowers
Kinetic energy is a measure of the work performed by any object as it moves, it is defined in terms of mass and velocity. What are you talking about? The force is equal to the time derivative of the momentum, it is not equal to mv^2
@@ivanborisov8583 A mass moving at 50 mph all of the mass is moving at 50 mph fact if kinetic energy is half mass velocity squared then what is in the other half regards Graham Flowers
@@ivanborisov8583 force= M x acceleration.acceleration = m/s squared .velocity = m/s hen's force= Mv squared regards Graham Flowers
@@grahamflowers You can find the whole derivation here en.wikipedia.org/wiki/Kinetic_energy
@@ivanborisov8583 you have not answered the question what is in the other half regards Graham Flowers
Если F(x^*) - F(x)>=0, то вычисляем вероятность Здесь надо оставить строгое неравенство, так как если разность равна 0, то вероятность будет равняется 1 и нам придётся лишнее вычисление делать. Нужно знак равно перенести в первое сравнение F(x^*) - F(x)<=0 F(x^*) - F(x)>0 И ещё один момент. Нигде не услышал, как выбирается следующая точка. Если она выбирается случайным образом из всего множества решений, то зачем боятся застревания в локальном минимуме? В любой момент из него вылезти можно. Тогда алгоритм выглядит так: выбираем случайную точку и если она ниже текущей, то переходим на неё, если выше, то просто пробуем выбрать другую точку. Или есть какие то правила по выбору следующей точки?
Спасибо за наблюдение! Если разница F(x^*) - F(x) = 0, то вероятность действительно равна единице P = exp(-0/T) = 1, но если перенести знак равенства в первое условие, то при F(x^*) - F(x) = 0 вероятность тоже будет равна единице P=1, результат не изменится. "Лишнее вычисление" делает программа, быстродействие которой заметно не изменится, если знак равенства будет в первом условии. В целом можно и так и так в данном базовом исполнении алгоритма. Строгое условие принято указывать для решения, которое гарантировано дает лучшее значение функции, например меньшее при задаче минимизации функции; при равенстве значений функции у нас может быть и другое условие, например P=0, т.к. может быть в таком х нет большого смысла. Функция вероятности для F(x^*) - F(x)>=0 может быть модернизирована весовыми коэффициентами, дополнительными эвристиками и прч., так что при F(x^*) - F(x)=0, вероятность будет отлична от единицы. Следующее значение х выбирается случайным образом. Вы предложили альтернативный алгоритм поиска, но скажите, пожалуйста, а каково условие остановки работы алгоритма? До каких пор мы будем рассматривать решения? Пока не пересмотрим их все? Если так, то боюсь алгоритм будет не из самых быстрых. Или ограничение по количеству сравнений, как в алгоритмах прямого поиска? Вообще, то что вы предложили называется жадным алгоритмом и его тоже можно использовать, все зависит от задачи. Суть в компромиссе между исследованием пространства решений и использованием найденных значений. Полный перебор невозможен (см. задача коммивояжера), поэтому надо как-то "умно" исследовать пространство. Жадный алгоритм больше про использование быстро найденного решения, имитация отжига про взвешенный подход к исследованию и использованию.
@@ivanborisov8583 ну так если следующее значение выбирается случайным образом, то невозможно застрять в локальном минимуме, мы в любой момент можем перейти в любую более удачную точку. Вы об этом говорите 4:40 "мы никогда не вылезем..." А что не даст вам вылезти из локального минимума, если "Следующее значение х выбирается случайным образом." ? Допустим, вы попали в локальный минимум, случайно выбираете следующую точку и оказываетесь в глобальном минимуме и смело переходите туда И если "Следующее значение х выбирается случайным образом.", то нет смысла ни в в фиксировании текущей точки, ни в расчёте вероятности перехода. Просто случайно перебираем варианты заданное количество итераций и на выходе берём лучший вариант. В вашем варианте мы в точности также перебираем случайные варианты, но на выходе, возможно, берём не самый лучший вариант из найденных, плюс делаем кучу вычислений, которые ни как не влияют на то, какую точку мы выберем в следующий раз. Поиск будет такой же случайный, как и в случайном переборе
Все зависит от политики для х. Например, в локальный минимум мы попадем если используем градиентный спуск, т.к. там х выбирается не случайным образом, а в направлении минимизации значений градиента x_{n+1}=x_{n}+scale*df/dx Если х выбирается случайно, то локальные минимумы не страшны. Поэтому градиентные методы используются для выпуклых целевых функций, а для функций с локальными и глобальными минимумами и максимумами используются алгоритмы глобальной оптимизации. Алгоритм имитации отжига исследует пространство решений. Допустим начальная точка выбрана случайно х0=random, то последующая точка может быть сгенерирована, например, следующим образом x*=x_i+random*scale, где х* точка кандидат, x_i - предыдущее значение, random - какое то случайное число или какая-то эвристика, scale - какой-то весовой коэффициент, который может быть как константой, так и функцией. Алгоритм имитации отжига похож на градиентный спуск, но из-за random в х* может выбираться из локальных минимумов. Жадный алгоритм нацелен на максимизацию сиюмоментного вознаграждения, жадный алгоритм слепой. Можно запускать итерационно, допустим с учетом ранее рассмотренных значений и тоже найти решение.
@@ivanborisov8583 "..последующая точка может быть сгенерирована, например, следующим образом x*=x_i+random*scale.." Ну вот. Теперь следующая точка выбирается не случайно, а из какой то окрестности :( Странно всё это. Поискал в интернете, расстояние от текущей точки до следующей ограниченно и оно может уменьшаться пропорционально уменьшению температуры. В этом случае поиск перестаёт быть случайным перебором
@@ikitsar459 выбор точки зависит от случайной величины “random”, поэтому подход вероятностный. Стратегия выбора точки должна настраиваться разработчиком. То что я описал выше- один из способов реализации
Хорошие лекции! Можно ли у вас пройти небольшой курс по simscape/simulink, не будучи студентом? И если такое есть , то интересует как связаться и стоимость.
Все видео занятий выкладываю в открытый доступ. Материалы курса ещё не выложил, планирую в будущем. Если хотите получить материалы, реализованные на данный момент, напишите на почту [email protected]
Very well explained!! Thank you!! Can you make a video on how to solve the problem in the link? drive.google.com/drive/folders/1-lMO0o1tc93eHl5utegtg9jDnKvvIvii?usp=sharing
In the next videos I am explaining how to solve the direct kinematics task using this concept
@@ivanborisov8583 Thanks!!
@@ivanborisov8583 Thanks!!
You don't need a video. Here it is: Temporary_Point_X = ((Cos1(A1) * Source_Point_X) - (Sin1(A1) * Source_Point_Y)) Temporary_Point_Y = ((Cos1(A1) * Source_Point_Y) + (Sin1(A1) * Source_Point_X)) Destination_Point_X = Joint2_X + ((Temporary_Point_X - Joint2_X) * Cos1(A2)) - ((Temporary_Point_Y - Joint2_Y) * Sin1(A2)) Destination_Point_Y = Joint2_Y + ((Temporary_Point_X - Joint2_X) * Sin1(A2)) + ((Temporary_Point_Y - Joint2_Y) * Cos1(A2))
Так!
Огонь
Dear Prof, Do you share project as a GitHub repository?
Not yet. But I am going to upload it there
@@ivanborisov8583 waiting for that ;) thanks
Dear prof, do you share course materials?
Dear Sir, excellent lectures.. Do you share presentations and files as an instructor resources?
I am grateful!
0:50 Motivation 2:37 Position Control 5:44 Matlab 11:50 Dynamics Control 14:06 Matlab 18:06 Impedance Control 20:23 Matlab 24:26 Mechanisms variants 27:55 Conclusion
1:43 Motivation 2:26 Definitions 4:20 Examples 6:00 Matlab Demo 19:20 About Control 21:25 PID intuition 25:30 Matlab 29:32 Example 1: Four-bar mechanism in Matlab 34:40 About Practice 36:30 Example 2: Crank slider mechanism 37:56 Linkage variants 41:40 The Report