- •Глава 9. Организация эксперимента при решении задач оптимизации
- •9.1 Формализация задач оптимизации технических систем (процессов)
- •9.1.1 Формулировка задачи оптимизации
- •9.1.2 Классификация задач оптимизации
- •9.2 Методы поиска оптимальных условий работы технических систем
- •9.3 Аналитический поиск экстремума целевой функции
- •9.4 Численные методы поиска оптимума
- •9.4.1 Оптимизация перебором
- •9.4.2 Сканирование
- •9.5 Итерационные методы направленного поиска
- •9.5.1 Метод дихотомии
- •Результаты вычислений по методу дихотомии
- •9.5.2 Метод золотого сечения (деление отрезка в среднем и крайнем отношении)
- •9.6 Методы безградиентного многомерного поиска оптимума
- •1. Безградиентные методы:
- •2. Градиентные методы:
- •9.6.1 Покоординатный метод Гаусса-Зайделя
- •9.6.2 Метод случайного поиска
- •9.6.3 Симплекс – планирование и движение в область оптимума
- •1. Наилучшее значение выходной переменной y наблюдалось в двух или нескольких вершинах симплекса. Рекомендуется принять решение с помощью одного из случайных механизмов (бросания монет и т. П.).
- •Матрица симплекса 1-3-6
- •Матрица симплекса 2-7-8
- •Преобразованная матрица симплекса 1-3-6
- •План-матрица начального симплекса
- •Координаты симплекса 2-3-4
- •Координаты симплекса 3-4-5
- •Координаты симплекса 2-4-6
- •Координаты симплекса 4-6-7
- •Координаты симплекса 6-7-8
- •9.7 Градиентные методы экспериментальной оптимизации
- •9.7.1 Метод градиента
- •9.7.2 Метод крутого восхождения
- •План-матрица пфэ и его результаты
- •Расчеты для движения по градиенту
- •Реализация мысленных опытов
- •9.7.3 Особенности решения задач экспериментальной оптимизации
- •9.8 Вопросы для самоконтроля
9.3 Аналитический поиск экстремума целевой функции
Если целевая функция является аналитической и дифференцируема, то ее экстремальное значение может быть найдено методами дифференциального исчисления.
Если y = F(х), т. е. независимая переменная одна, то рассматриваются первая производная функции F(х)
и вторая производная
.
Экстремум находят, приравнивая первую производную нулю и определяя знак второй производной. При этом, если , то имеется минимум, если , то имеется максимум целевой функции.
Рис. 9.2
Если F(x) = 0, то нужно провести дополнительный анализ. Обычно берут высшие производные и, если они не равны 0, то нет ни максимума, ни минимума.
В качестве примера можно рассмотреть кубическую параболу:
что не равно 0.
Следовательно, у кубической параболы нет ни максимума, ни минимума.
Если переменных несколько, т.е. , то рассматриваются частные производные: .
Классический метод поиска экстремума заключается в решении системы нормальных уравнений:
Типичная задача – расчет коэффициентов регрессионной модели методом наименьших квадратов. В ней критерий оптимальности – сумма квадратов отклонений, а оптимизирующие факторы – значения рассчитываемых коэффициентов регрессии.
Чтобы убедится в том, что полученные в результате решения системы уравнений значения факторов оптимальны, т.е. их совокупность определяет оптимальное решение задачи, необходимо выяснить следующие обстоятельства:
-
действительно ли решение определяет экстремум (а не седловую точку или точку перегиба);
-
получается ли экстремум того знака (максимум или минимум), который нас интересует;
-
если система имеет несколько решений, то какое из них отвечает глобальному оптимуму, а какое – локальным; глобальным будет тот, который выше или ниже всех остальных, а остальные – локальные.
-
все ли ограничения соблюдаются в точке оптимума.
9.4 Численные методы поиска оптимума
Численные методы применяют в случаях, когда:
-
в точке экстремума отсутствуют производные целевой функции;
-
целевая функция задана таким образом, что продифференцировать ее в общем виде не удается;
-
для решения системы уравнений нужны настолько громоздкие вычисления, что численные методы оказываются проще и их применение эффективнее.
9.4.1 Оптимизация перебором
Если число возможных вариантов значений факторов целевой функции конечно, достаточно рассчитать целевую функцию для всех этих вариантов и выбрать её максимальное (или минимальное) значение.
Например, можно рассчитать параметр оптимизации для случаев протекания процессов в аппаратах всех стандартных размеров и выбрать лучший вариант.
Перебор целесообразно осуществлять на ЭВМ. При этом все варианты могут быть записаны в памяти машины, что имеет место при создании систем автоматического проектирования – САПР. Применение перебора иногда позволяет найти и такие варианты, до которых без ЭВМ дойти практически было бы невозможно.
9.4.2 Сканирование
Метод сканирования близок к методу перебора, но применяется к непрерывным функциям.
Рассмотрим поиск максимума или минимума функции от одного фактора при пределах его изменения в интервале от a до b, где a и b – ограничения.
Интервал [a, b], на котором требуется отыскать экстремум целевой функции, – это интервал неопределенности. Необходимо сузить этот интервал в области оптимума.
Выбирают целое число q значений целевой функции, которое придется рассчитывать. Определяют ширину частного интервала . Концы каждого частного интервала на отрезке [a, b] называются узлами. В каждом узле рассчитывают значение F(x). За максимум выбирают наибольшее значение, за минимум – наименьшее значение. Истинный экстремум может находиться либо справа, либо слева от наилучшего значения и таким образом интервал неопределенности, равный , содержит оптимальное значение функции y = F(х).