- •Элементы выпуклого анализа.
- •Начальные сведения о численных методах оптимизации.
- •4.Сходимость методов оптимизации.
- •5.Метод покоординатного спуска.
- •6.Метод случайного поиска. Алгоритм с возвратом при неудачном шаге.
- •7. Метод случайного поиска. Алгоритм наилучшей пробы.
- •8. Метод случайного поиска. Алгоритм статистического градиента.
- •9. Метод случайного поиска. Алгоритм покоординатного обучения.
- •10. Градиентный метод. Метод с постоянным шагом.
- •11. Градиентный метод. Метод с дроблением шага.
- •12. Градиентный метод. Метод наискорейшего спуска.
- •13. Метод Ньютона
- •14. Численные методы решения задач линейного программирования. Прямой симплекс-метод. Базис и базисное решение.
- •15. Численные методы решения задач линейного программирования. Прямой симплекс-метод. Элементарные преобразования. Симплекс-таблицы.
- •16. Численные методы решения задач линейного программирования. Прямой симплекс-метод. Алгоритм симплекс-метода.
- •17. Численные методы решения задач линейного программирования. Модифицированный симплекс-метод.
- •18. Численные методы решения задач линейного программирования. Лексикографический прямой симплекс-метод
- •19. Численные методы решения задач линейного программирования. Двойственный симплекс-метод.
- •20. Численные методы решения задач линейного программирования. Двойственный симплекс-метод.
- •22. Численные методы решения задач линейного программирования. Геометрическая интерпретация задач линейного программирования
- •23. Численные методы решения задач линейного программирования. Геометрическая интерпретация прямого симплекс-метода.
- •24. Численные методы условной оптимизации. Метод возможных направлений.
- •25. Численные методы условной оптимизации. Метод Келли и метод секущих плоскостей.
- •26. Численные методы условной оптимизации. Первый (циклический) алгоритм Гомори.
- •27. Численные методы условной оптимизации. Метод ветвей и границ
- •28. Численные методы условной оптимизации. Метод ветвей и границ для решения задач нелинейного программирования
- •29. Численные методы условной оптимизации. Метод внешних штрафов
- •30.Численные методы условной оптимизации. Метод внутренних штрафов или метод барьерных функций
- •31.Муравьиный алгоритм.
- •32.Генетические алгоритмы.
- •33.Задачи классического вариационного исчисления. Постановка задачи классического вариационного исчисления
- •Сильный и слабый экстремум в задачах классического вариационного исчисления.
- •Допустимые управления и управляемые процессы в задачах оптимального управления. Оптимальные процессы
- •Элементарный вывод необходимых условий экстремума для простейших задач классического вариационного исчисления
- •Задачи оптимального управления. Постановка задачи оптимального управления
- •Формулировка принципа максимума для линейной задачи быстродействия
- •Доказательство принципа максимума для линейной задачи быстродействия.
- •Достаточность принципа максимума
Сильный и слабый экстремум в задачах классического вариационного исчисления.
Поставленные выше задачи обладают все еще неопределенностью, так как не описан класс допустимых элементов. Задача Лагранжа (6) – (9) с фиксированным временем в рамках классического вариационного исчисления будет исследоваться в банаховых пространствах , где – пространство непрерывно дифференцируемых вектор-функций, а – пространство непрерывных вектор-функций. Норму в пространстве C1 обозначим как , норму в пространстве C , если мы хотим сопоставить ее с нормой в пространстве C1 , иногда будем обозначать . Исследование простейших задач проводится в банаховых пространствах Локальный минимум в пространстве в случае задачи Лагранжа, или в пространстве в случае простейших задач, называется слабым. Иначе говоря, пара доставляет слабый локальный минимум функционалу в задаче (6) – (9), если найдется такое число e(эпсила) > 0, что для любой допустимой пары такой, что , выполняется неравенство При этом пара называется допустимой в задаче, если она удовлетворяет
ограничениям (7) и (8) и граничным условиям (9). Совершенно аналогично определяется слабый минимум для простейшей векторной задачи (5).
Локальный экстремум по x в топологии пространства называется сильным. Иначе говоря, допустимая пара дает сильный локальный минимум функционалу J в задаче (6) – (9), если найдется такое число e(эпсила)> 0, что для любой допустимой пары , для которой , выполняется неравенство Аналогичным образом определяется сильный минимум для простейшей векторной задачи (5).
Далее в термин «сильный экстремум» будет вкладываться несколько расширенное толкование, которое свойственно этому понятию в задачах оптимального управления. Об этом речь пойдет в следующем параграфе.
Допустимые управления и управляемые процессы в задачах оптимального управления. Оптимальные процессы
Уже упоминалось, что требование непрерывности управлений во многих случаях не является естественным. Нередко из самой постановки задачи вытекает необходимость рассматривать более широкий класс допустимых управлений. Иногда в качестве такого берут класс кусочно-непрерывных управлений. В дальнейшем в качестве допустимых управлений будут рассматриваться произвольные ограниченные измеримые функции, принимающие значения из множества U(t).
При таком выборе допустимых управлений требуется уточнить понятие управляемого процесса. Процесс (x(t),u(t)) называется управляемым на отрезке [t0,t1], если на этом отрезке функция u(t) – допустимое управление, xt () – абсолютно непрерывная вектор-функция, удовлетворяющая почти всюду уравнению (7).
В понятие допустимого управляемого процесса включается и отрезок времени, на котором этот процесс рассматривается. Таким образом, управляемый процесс, допустимый в задаче (6) – (10), это тройка (x(t),u(t),[t0,t1]) такая, что вектор-функции x(t) и u(t) образуют управляемый процесс на отрезке [t0,t1], и при этом фазовые переменные x(t) удовлетворяют фазовым ограничениям (8) и граничным условиям (9).
Допустимый процесс назовем оптимальным, если найдется e(эпсила)>0 такое, что для всякого другого допустимого процесса , для которого при всех выполняются условия , имеет место неравенство В описанной ситуации говорят еще, что процесс доставляет сильный минимум в задаче (6) – (10).
Таким образом, возвращаясь к задачам классического вариационного исчисления, в расширенное понимание сильного минимума вкладывается следующий смысл. Проиллюстрируем его на векторной задаче классического вариационного исчисления.
Будем говорить, что вектор-функция x*(t) доставляет сильный минимум в задаче (5), если существует e(эпсила)>0 такое, что для всякой функции , удовлетворяющей граничным условиям и неравенству имеет место неравенство