1.5. Методы прямого поиска.

1.5.1. Общая характеристика.

Методы прямого поиска – это методы, в которых используются только значения целевой функции (методы нулевого порядка). Рассмотрим следующие методы, основанные на эвристических соображениях. Эти методы довольно часто применяются на практике, позволяя в ряде случаев получить удовлетворительные решения.

Основное достоинство методов нулевого порядка состоит в том, что они не требуют непрерывности целевой функции и существования производных.

1.5.2. Метод конфигураций (метод Хука и Дживса).

Алгоритм включает в себя два основных этапа поиска.

а) В начале обследуется окрестность выбранной точки (базисной точки), в результате находится приемлемое направление спуска;

б) Затем в этом направлении находится точка с наименьшим значением целевой функции. Таким образом находится новая базисная точка.

Эта процедура продолжается пока в окрестностях базисных точек удается находить приемлемые направления спуска.

Схема алгоритма

Шаг 1.

Задаются начальное приближение (первая базисная точка)

, начальный шаг hдля поиска направления спуска, точность решения(предельное значение для шагаh). Присваивается к=0.

Шаг 2. (Первый этап).

Определяется направление минимизации целевой функцииf(x)=f(x⁽¹⁾,x⁽²⁾,…,x⁽ⁿ⁾) в базисной точке . Для этого последовательно дают приращение переменнымx^(j)в точке х_к. Присвоимz=x_k. Циклически даем приращение переменнымx^(j)и формируемz^(j)=x_k^(j)+h, еслиf(z)<f(x_k), если же нет, тоz^(j)=x_k^(j)-h, еслиf(z)<f(x_k), иначеz^(j)=x_k^(j). Так для всехj(j=1,2,…,n).

Шаг 3.

Если z=x_k, то есть не определилось подходящее направление, то обследование окрестности базисной точки х_кповторяется, но с меньшим шагомh(например,h=h/2).

Если h>, то перейти к шагу 2, то есть повторить обследование точки х_к.

Еслиh, то поиск заканчивается, то есть достигнуто предельное значение для шагаhи найти приемлемое направление спуска не удается. В этом случае полагается

Шаг 4. (Второй этап).

Если zx_k, то требуется найти новую базисную точку в направлении

вектора z-x_k:x_k+1=x_k+(z-x_k), где- коэффициент «ускорения поиска».

Определяется такое значение =_к, при котором достигается наименьшее значение целевой функции в выбранном направлении, то есть функции

f(x_k+(z-x_k) =().

В зависимости от способа выбора _квозможны варианты метода:

а) _к==constпостоянная для всех итераций;

б) задается начальное ₀=, а далее_к=_к-1, еслиf(x_k+1)<f(x_k), иначе дробим_к, пока не выполнится это условие;

в) _копределяется решением задачи одномерной минимизации функции().

Таким образом определяется новая базисная точка x_k+1=x_k+(z-x_k). Полагаем к=к+1 и поиск оптимального решения повторяется с шага 2.

1.5.3.Метод симплекса.

Под симплексом понимается n-мерный выпуклый многогранникn-мерного пространства, имеющийn+1 вершину. Дляn=2 это треугольник, а приn=3 это тетраэдр.

Идея метода состоит в сравнении значений функции в n+1 вершинах симплекса и перемещении симплекса в направлении лучшей точки. В рассматриваемом методе симплекс перемещается с помощью операций отражения. Далее принято следующее: х₀(k), х₁(k), … , х_n(k) – вершины симплекса, где к - номер итерации.

x⁽¹⁾

Схема алгоритма

Шаг 1.

Построение начального симплекса.

Для этого задаются начальная точка х₀(0) и длина ребра симплексаl. Формируются остальные вершины симплекса:

x_i(0) =x₀(0) +l*e_i(i=1,2,…,n), гдеe_i– единичные векторы.

x₂

Шаг 2.

Определение направления улучшения решения.

Для этого на к-й итерации вычисляются значения целевой функции в каждой точке симплекса. Пусть для всех i:

f(x_min(k))f(x_i(k))f(x_max(k)),

где min,max,i– номера соответствующих вершин симплекса. Определим центр тяжести всех точек, исключая точкуx_max(k),

C_k=(x_i(k))/n.

Тогда направление улучшения решения определяется вектором C_k-x_max(k).

Шаг 3.

Построение отраженной точки.

Замена вершины x_max(k) с максимальным значением целевой функции на новую точку с помощью операции отражения, результатом которой является новая точка:

u_k=c_k+(c_k-x_max(k))=2c_k-x_max(k)

x⁽²⁾

x⁽¹⁾

Шаг 4.

Построение нового симплекса.

Вычисляем f(u_k). При этом возможен один из двух случаев:

а) f(u_k)<f(x_max(k);

б) f(u_k)f(x_max(k).

Случай а): вершина x_maxзаменяется наu_k, чем определяется набор вершин к+1-й итерации и к-я итерация заканчивается.

Случай б): в результате отражения получается новая точка u_k, значение функции в которой еще хуже, чем в точкеx_max, то есть отражать симплекс некуда. Поэтому в этом случае производится пропорциональное уменьшение симплекса (например, в 2 раза) в сторону вершиныx_min(k):

x_i(k+1)=x^{^}_i=(x_i(k)+x_min(k))/2, где i=0,1,…,n.

На этом к-я итерация заканчивается.

Шаг 5.

Проверка сходимости.

Если

то поиск минимума заканчивается и полагается

В противном случае к=к+1 и происходит переход к шагу 2.