À propos du cours
Les modèles issus de la physique ont souvent servi d’inspiration pour le développement de modèles dans une variété de disciplines (recherche opérationnelle,mathématiques financières, théorie de l’information, contrôle. . . ). Ainsi lesméthodes mathématiques et numériques sous-jacentes à ces modèles ont percolé d’une discipline à une autre, diversifiant leurs champs d’application.
Dans ce cours, les étudiant·e·s se familiariseront avec quelques approches utilisées en physique pour modéliser le réel, les méthodes mathématiques analytiques et numériques sur lesquelles elles reposent et les applications de ces méthodes dans d’autres disciplines.
Ce que vous apprendrez
- Mécanique lagrangienne et optimisation : équation d’Euler-Lagrange, optimisation sous contraintes (linear programming, mixed integer linear programming, méthodes heuristiques), optimisation pour la gestion (dynamic programming, model predictive control)
- Mécanique statistique et processus stochastiques : théorie cinétique des gaz parfaits (variables macroscopiques et microscopiques), processus stochastique (marche aléatoire, diffusion, réversibilité, entropie), méthode de Monte Carlo
Enseignant·es
Options d’inscription
24-25 / 204.2 - Computational physics 2 24-25 / 204.2 - CompPhy2
- Donné en : 2ème année
- Périodes hebdomadaires : 4
- Semestre: Printemps
Les modèles issus de la physique ont souvent servi d’inspiration pour le développement de modèles dans une variété de disciplines (recherche opérationnelle,mathématiques financières, théorie de l’information, contrôle. . . ). Ainsi lesméthodes mathématiques et numériques sous-jacentes à ces modèles ont percolé d’une discipline à une autre, diversifiant leurs champs d’application.
Dans ce cours, les étudiant·e·s se familiariseront avec quelques approches utilisées en physique pour modéliser le réel, les méthodes mathématiques analytiques et numériques sur lesquelles elles reposent et les applications de ces méthodes dans d’autres disciplines.
- Enseignant: Florian Desmons
- Enseignant: Jessen Page