На минимум

8 Да

Z₁< Z₂

Нет

9 10

a = x_c b = x_c Рисунок 3.3. Схема алгоритма программы по

методу дихотомии

78.Одномерная безусловная оптимизация методом случайного поиска

Методы случайного поиска основаны на формировании на отрезке поиска случайным образом расчетных точек, вычислении в этих точках значений функции и выборе из них экстремального. Точность определяется числом точек поиска n.

Повторение испытаний описывается формулой Бернулли (биноминальным распределением)

, k = 0, 1, 2,..., n,

где k – число благоприятных случаев;

n – общее число испытаний;

p – вероятность благоприятного исхода при одном испытании;

q – вероятность, противоположная p (q=1-p).

Вероятность, что событие наступит n раз

;

что не наступит ни разу

;

наступит хотя бы один раз

.

Если абсолютную точность поиска решения на участке (b - a) обозначить через ε, то вероятность решения при одном испытании p = ε/(b - a). При этом вероятности Р₁ получения решения в зависимости от числа испытаний n при различных p приведены в таблице 3.1.

Таблица 3.1 – Оценка точности поиска

p	n	p1
0.1		0.651 0.878 0.995 0.99999
0.01		0.634 0.866 0.993 0.99996
0.0001		0.632 0.865 0.993 0.99996

Например, если p = ε /(b - a)=0.01, то вероятность получения решения с точностью ε при числе испытаний n = 100 равна 0.634; при n =200 – 0.866; при n = 500 – 0.993; при n = 1000 – 0.99996, т.е. требуется 10 (b - a) /ε испытаний для надежного решения (Р₁> 0.9999) с заданной точностью ε. Аналогичная зависимость, как видно из таблицы, имеет место и при других точностях решения.

Имеется большое множество методов оптимизации на основе случайного поиска и их разновидностей. Ниже приведена иллюстрация простейшего метода поиска, состоящая в последовательном формировании на отрезке от a до b случайным образом расчетной точки x_т, расчете в ней целевой функции f(x_т), сравнении значения функции f(x_т) и ранее найденного "лучшего" значения функции f(x_п), присвоении x_п =x_т и f(x_п) =f(x_т), если текущая точка "лучше". Формирование случайной точки производится по выражению x_т = a + r (b-a), где r – случайное число, равномерно распределенное в интервале от 0 до 1.0.

f(x)

f(x_т)

f(x_п)

a x_п x_т b x

Рисунок 3.10 – Графическая интепретация метода случайного поиска (на минимум)

Более эффективным является метод случайного поиска с пересчетом, алгоритм которого приведен на рисунке 3.11. Принимаемые значения показателей a_ш, b_ш, h и L должны находится в определенном соотношении, например начальные значения могут быть приняты b_ш = 2; h= b_ш /5; a_ш = 0.25; L=10. Формирование случайной расчетной точки x_т (блок 9) производится относительно текущего приближения x_п на основе использования случайных чисел r, равномерно распределенных в интервале от 0 до 1.0. Произведение sh определяет отрезок, в пределах которого формируется случайная точка.

79.Одномерная безусловная оптимизация методом квадратичной интерполяции-экстраполяции

Метод квадратичной интерполяции-экстраполяции является одним из методов аппроксимации кривыми и базируется на приближении целевой функции квадратичной параболой по трем точкам – текущее приближение x₁= x_п и точки, лежащие от нее слева x₀ и справа x₂ на удалении h и нахождении экстремума аналитически. Процесс проводится до тех пор, пока предыдущее и последующее приближения различаются более, чем на заданную точность поиска. Алгоритм метода следующий (рисунок 3.8, 3.9):

1. находим x₀ = x_п - h; y₀ = f(x₀); x₁ = x_п; y₁ = f(x₁); x₂ = x_п + h; y₂ = f(x₂);

2. находим параметры параболы, проходящей через три выбранных точки

a = (y_o- 2y₁ + y₂) / (2h²);

b = (-y_o (2x₁ + h) + 4y₁ x₁ - y₂ (2x₁ - h)) / (2h²);

Тогда очередное приближение x на основе аналитической оптимизации аппроксимирующей функции равно x_п = - b/(2a);

3. проверяем условие: abs(x_п - x₁) < e.

Если выполняется, то оптимум найден. Иначе переходим к 1-му пункту алгоритма.

На минимум:

f(x)

f(x)=ax²+bx+c

f(x_п+h)

f(x_п-h)

f(x_п)

x_п-h x_п x_п+h x

Рисунок 3.8 – Графическая интепретация метода на основе квадратичной аппроксимации

1

Пуск

Ввод x_п, h, e x_п – текущее значение приближения

к решению; h – параметр интервала

9 аппроксимации; e – точность поиска

4 7

a =...

b =...

x_i = x_п +(i-1) h x_п = -b/(2a)

6 9 Нет

abs(x₁- x_п)<e 4

y_i= f(x_i)

Да

Z_п= f(x_п)

11 Рисунок 3.9 – Алгоритм на основе

Вывод x_п, Z_п квадратичной аппроксимации

Останов

80.Модель транспортной сети

Транспортная сеть района (региона) представляет собой систему путей сообщения, предназначенную для передвижения транспортных средств. Модель транспортной сети – это описание местонахождения ее вершин (пунктов), а также длин и других параметров (характеристик) соединяющих вершины звеньев. Может быть задана в графическом или табличном виде. Звеном транспортной сети является ее часть, соединяющая две смежные вершины. Длина звеньев может быть выражена в единицах длины, приведенных единицах длины, единицах времени и стоимостном выражении (в дальнейшем длина). В качестве других параметров звеньев может быть задана техническая категория пути сообщения и др. Вершины (пункты) транспортной сети соответствуют местонахождению ресурсообразующих и ресурсопоглащающих точек, терминалов, пересечений путей.

Длина звеньев транспортной сети определяется по справочным таблицам, атласам дорог, с помощью курвиметра по масштабным картам и планам, а также непосредственным замером на местности, например по показаниям одометра (счетчика пройденного пути) автомобиля.

81.Многомерная безусловная оптимизация. Схемы методов Розенброка и Пауэлла

Метод вращающихся координат (метод Розенброка) имеет следующий алгоритм (рисунок 3.13):

1) принимается начальное (текущее) приближение к решению – точка X_п1 и начальный (текущий) шаг поиска;

2) находится одним из известных методов при текущем значении шага следующее приближение – точка X_п2;

3) по линии X_п1 - X_п2 принимается новое направление поиска (производят поворот осей);

4) модифицируется шаг поиска и вдоль новых осей Z₁ и Z₂ находится следующее текущее приближение;

5) если результат с заданной точностью получен, то решение закончено или иначе по последнему и предпоследнему приближениям находится новое направление поиска и делается переход на пункт 4.

Метод Пауэлла основан на определении направлений поиска путем проведения касательных к изолиниям (изоповерхностям), параллельных друг другу. Линия, соединяющая точки касания определяет текущее направление поиска Z₁. Графическое представление метода приведено на рисунке 3.14.

Рисунок 3.14 – Графическая интерпретация метода Пауэлла

82.Оценка оптимальности решения задачи линейного программирования симплекс-методом

Основные шаги решения задачи (после представления исходной системы в стандартном виде):

21) формируется первоначальное базисное решение;

22) выражается Z через небазисные переменные;

23) проверяется базисное решение на оптимальность. Если оптимально, то на п.10;

24) проверяется задача на наличие решения. Если решения нет, то выход;

25) выбирается из небазисных переменных та, которая способна при введении ее в базис в большей степени улучшить значение целевой функции, и вводится в базис;

26) определяется базисная переменная, которая выводится из базиса;

27) алгебраически выражается вводимая в базис переменная через переменную, выводимую из базиса и другие небазисные переменные;

28) алгебраически выражаются другие базисные переменные через небазисные;

29) переход на п. 2;

30) определяются значения базисных переменных. Они являются решением задачи.

Итерационный процесс (шаги 2–9) повторяются до тех пор, пока не произойдет выход на шаге 3 или 4. Алгоритм реализации отдельных шагов при решении задачи на максимум и ограничениях типа £ следующий:

Шаг 1 состоит в назначении базисных переменных по числу ограничений в задаче. Базисные переменные x_u выражаются через небазисные x_p из равенств, в которые они входят через значимые коэффициенты. При этом небазисные переменные принимаются нулевыми. На первом шаге в качестве базисных принимаются дополнительные переменные, а в качестве небазисных – основные, т.е. и . Тогда первое базисное решение

x_m+1 = b₁;

x_m+2 = b₂;

...

x_M = b_n;

x₁ = 0;

x₂ = 0;

...

x_m = 0.

Шаг 2 – алгебраически выражается целевая функция Z через небазисные переменные

.

Шаг 3 – проверяется все ли с_p≤0. Если да, то решение оптимально.

Шаг 4 – оценка наличия решения. Если при х_p, имеющем с_p >0, во всех уравнениях a_pj<0 (j =1, 2,..., n), то решение отсутствует (выход из программы с соответствующим сообщением).

Шаг 5 – определяется та небазисная переменная, которую наиболее целесообразно ввести в базис, по максимуму положительного коэффициента в текущем выражении для целевой функции , где s– номер переменной, вводимой в базис.

Шаг 6 – определяется одна из базисных переменных для вывода ее из базиса. Для этого во всех j-х равенствах для х_s вычисляется отношение свободного члена b_j к соответствующему коэффициенту a_sj (a_sj >0), т.е. b_j/a_sj. Минимальное из отношений указывает на j-е равенство и соответственно на выводимую переменную из базиса.

Шаг 10 – формируется окончательное решение в виде численных значений искомых переменных, которые входят в базис. Вычисляются из последних выражений для них при значениях небазисных переменных, равных нулю. С практической точки зрения определение численных значений базисных переменных, которые являются дополнительными, не требуется. Основные переменные, которые не входят в базис, равны нулю.

83.Одномерная безусловная оптимизация по методу поразрядного приближения

Графическая интепретация и алгоритм поиска экстремума функции на основе поразрядного приближения приведены на рисунках 3.6, 3.7.

f(x)

f(x_п+h)

f(x_п) На минимум

x_п x_п+h x

Рисунок 3.6 – Графическая интепретация метода поразрядного приближения

1

Пуск

x_п, h, a,e x_п и h – текущие значения соответственно приближения

к решению и шага поиска; a – коэффициент

изменения шага поиска; e – точность поиска решения

Z = f(x_п)

Z_п = Z

x_п = x_п + h

Z= f(x_п)

Дата добавления: 2015-10-16