|
在 LabVIEW 中使用 NAG .NET 算法库的方法 (Method)
|
这段时间以来，我们陆陆续续接到很多 LabVIEW 使用者询问如何在其开发环境中调用 NAG 算法库。在我们的网站上，我们原已放了一些材料，说明如何 在 LabVIEW 中调用 NAG Fortran 算法库。我们最近重新审视这些问题，并尝试调用 NAG .NET 算法库。
上个月，我们的同事 Sorin Serban 在博客中写了一篇文章，详细描述如何开发一个简单的 LabVIEW 应用程序，提供用户输入一组资料，然后计算那些资料的统计参数。这个应用程序透过 NAG .NET 算法库中的方法计算统计值。文章中并说明了如何调用方法，如何利用 LabVIEW 的可视化程序接口将其加载应用系统中。
虽然这是一个简单的应用程序，但是其说明了在 LabVIEW 中调用 NAG .NET 算法库的方法。如果您有任何这方面的问题，或者您正需要结合 LabVIEW 与 NAG 的应用，请您 联络我们，我们将非常乐意提供任何的协助。
|
|
NAG 金融应用：投资组合最大熵值与取样误差控制
|
在我们最近举行的 NAG 计量日中，汇丰银行的 Ely Klepfish 做了这方面精彩的演说。您可参考 链接。
演讲概要
历史的样本仅只是报酬分布的一个体现而已，其很容易会导致对期望报酬与风险的偏差预估，也必然会对 "out-of-sample" 的效果感到失望。
我透过以历史样本所推导出的最佳解与极大化无差异解间的插值方法来估计误差。最佳的方式是透过依投资者对历史样本的信心来极小化差距 (用资讯熵定义) 以达到求解目标。
抽样误差效率的定义，是最佳估计风险报酬与无差异估计误差间的比较。
如果您对如何在金融领域中使用 NAG 软件，您可以参考 我们的说明。
|
|
NAG 与 Beatrix Potter 间有甚么关系? |
这个问题的答案是在 2011 年 7 月 5 日于曼彻斯特大学的 "数值计算的进展" 研讨会中，在 Margaret Wright 既具娱乐又有丰富内容的演说中所揭露的。
答案当然是 "Sven Hammarling"。若您想要了解其中原因，请您参考 Margaret Wright 的 演说。
Sven 在数值分析领域中相当德高望重，其最为著名的应该就是他所投注的 BLAS 与 LAPACK 的工作。在他即将到来的 70 岁生日前，Francoise Tisseur 与 Nick Higham 筹备了这次的研讨会。
演讲者包含了 Jack Dongarra、Philip Gill 与 Anne Trefethen，在 Sven 在 1982 年成为 NAG 的员工后，他们都与 NAG 有着非常密切的关系，NAG 毫无犹豫的赞助此研讨会的晚宴。
Jack 提到算法库的设计。如今在大型计算机中可以取得数以百万计的核心了。他的大意是如何有效的利用这样的架构开发数值算法。
Philip 谈的题目是 "非线性优化中 Active-Set 算法的新方法"。其中他谈到求非线性优化的连续二次规画 (sequential quadratic programming) 法的历史，这是一个宝贵的题目，因为 NAG 优化的函数中包含了许多这类的算法。他同时也解释为什么这个方法曾经退了流行，现在有重新得到青睐。Philip 是 NAG 算法库中优化函数的主要贡献者。
Anne Trefethen 以前是 NAG 的员工，也是前 NAG 董事会主席。她所谈的主题是我以前从未关注的 - "高性能线性代数：开发可扩展、通用的、节能的数值算法库"。
听完后，我不禁思考...关于节能或许需要另一个变种的 NAG 算法库吧。想到实现的那天，可真愉快啊...
研讨会照片集。
按：Beatrix Potter 是英国童话家，其最有名的著作是彼得兔。
Sven Hammarling 与 Beatrix Potter 的关系：Sven 的外婆 Annie Moore 是 Beatrix Potter 的家庭教师。Beatrix Potter 的第一本童话书彼得兔最初是其在 1893 年写给 Sven 的叔叔 Noel；而另一本书 "馅饼和馅饼盘子的故事"，前言献给 Joan 并请他念给小孩听，而 Joan 就是 Sven 的伯母，所称的小孩就是 Sven 的母亲。
|
|
NAG 算法库新建函数：二次近似边界优化 (Bound Optimization BY Quadratic Approximation) |
NAG Fortran 算法库 23 版中持续增加优化函数 (第 E04 章)。其中包含了由剑桥大学 Mike Powell 教授所提出的 BOBYQA 算法 (Bound Optimization BY Quadratic Approximation)。这是一个强大且容易使用的算法，采用二次近似与信任区间方式求取具边界条件的目标函数优化。其不需要目标函数的导数，对于大尺度问题求解有很高的效率。
举例来说，在球面中有最大分隔、成对、等距，并起始于赤道处的 50 个散布点的优化问题 (参阅 Powell (2009))，需 4633 次函数求值。相较于采用 NAG 中 Nelder-Mead 算法的 16757 来说，其具有很高的性能。(采用 GCC 4.5.2, Fedora 10, 四个双核 2.00GHz IntelR XeonR E5405 处理器与 8Gb RAM 环境)。
继续阅读
|
|
QinetiQ GRC 利用 NAG 算法库开发专业的船舶设计软件 |
英商纳格资讯 (NAG) 与 QinetiQ GRC 有着长期合作的关系。在其 Paramarine 软件中使用了许多NAG 算法库的函数。QinetiQ GRC 将船舶与潜艇的架构设计集成成一个完整的应用程序。
背景
“若没有 NAG 函数，我们仍然可以对Paramarine 中较重要的部分进行开发。我们的开发工程师了解到他们能够信赖 NAG 算法库，NAG 的使用手册与示例提供了所有他们所需要知道的细节，如果有需要，NAG 的数值计算专家能够提供无与伦比的技术支持与协助。我们再也不需要在低阶的地方进行开发了，相反的，我们可以花更多的时间让 Paramarine 成为造船产业中最有用的工具。” Vittorio Vagliani QinetiQ GRC 董事总经理。
继续阅读
|
| NAG 近期推出版本 |
NAG C 算法库第 9 版 支持以下环境：
Apple 64 bit Intel Mac, Mac OS X, 搭配 gcc 编译器
此外，NAG MATLAB 工具箱 22 版也能支持 Apple 64 bit Intel Mac, Mac OS X 操作系统，搭配 MATLAB R2011a。
|
|
