- •Содержание лабораторной работы по теме "численные методы многомерной оптимизации"
- •1. Правила оформления отчета к лабораторной работе
- •1.1. Требования по оформлению
- •1.2. Требования к реализации
- •1.3 Пример интерфейса пользователя
- •1.4 Получение и прием заданий
- •2. Варианты функций
- •2.1. Функция квадратичного типа
- •3.2. Функции общего вида
2. Варианты функций
2.1. Функция квадратичного типа
Рассмотрим квадратичную функцию в общем виде:
. (2.1)
Коэффициенты уравнения очень сильно влияют на поведение вид функции, наличие у нее точек экстремума, их тип. Получим условия существования минимума у функции квадратичного типа. Выпишем матрице Гессе:
, (2.2)
далее выпишем угловые миноры и воспользуемся критерием Сильвестра:
. (2.3)
При соблюдении свойств (6.3) функция (6.1) имеет глобальный минимум.
3.2. Функции общего вида
Варианты функций:
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16. Функция Химмельблау:
Варианты заданий.
1 вариант.
1 функция типа (2.1), коэффициенты выбрать самостоятельно.
2 функция: .
Реализовать алгоритмы поиска минимума для заданных функций: методом сопряженных направлений (0-го порядка), методом Ньютона (2-го порядка).
2 вариант.
1 функция типа (2.1), коэффициенты выбрать самостоятельно.
2 функция: .
Реализовать алгоритмы поиска минимума для заданных функций: методом конфигураций (0-го порядка), методом Девидона-Флетчера-Пауэлла (1-го порядка).
3 вариант.
1 функция типа (2.1), коэффициенты выбрать самостоятельно.
2 функция: .
Реализовать алгоритмы поиска минимума для заданных функций: методом вращающихся координат (0-го порядка), методом Гаусса-Зейделя (1-го порядка).
4 вариант.
1 функция типа (2.1), коэффициенты выбрать самостоятельно.
2 функция: .
Реализовать алгоритмы поиска минимума для заданных функций: методом случайного поиска (реализовать алгоритм наилучшей пробы) (0-го порядка), методом градиентного поиска с постоянным шагом (1-го порядка).
4 вариант.
1 функция типа (2.1), коэффициенты выбрать самостоятельно.
2 функция: .
Реализовать алгоритмы поиска минимума для заданных функций: методом адаптивного случайного поиска (реализовать алгоритм наилучшей пробы) (0-го порядка), методом сопряженных градиентов (1-го порядка).