Условная оптимизация нелинейных моделей
Существует класс задач в которых целевая функция нелинейно зависит от компонент вектора проектных параметров, либо нелинейны ограничения целевой функции.
Эти задачи изучают в специальном разделе математики — нелинейном программировании (НП).
При решении задач условной оптимизации НП находят применение способы статистического разыгрывания. Эти методы основаны на случайном выборе точек в пространстве векторов проектных параметров Rn, и, как правило, не имеют строгого математического обоснования. Однако они логически просты, и позволяют достаточно быстро приблизиться к оптимуму.
В качестве одного из таких методов оптимизации часто используется комплекс-метод. Этот способ оптимизации может с успехом применяться как для задач безусловной, так и условной оптимизации. В последнем случае на область проектных параметров накладывается дополнительное требование выпуклости.
Метод комплексов напоминает симплексный поиск, однако в отличие от регулярных симплексов вершины комплексов строятся статистическим разыгрыванием.
Первоначальный комплекс имеет число вершин N>п+1, при n<5 рекомендуется брать N=2п. Его вершины строят статистическим разыгрыванием, сущность которого состоит в следующем. Пусть ai и bi — соответственно границы изменения i-го компонента xi вектора проектных параметров (ai≤хi≤bi). Тогда i-й компонент j-й вершины определяют по формуле
в которой случайное число rijÎ[0,1] может быть получено с помощью специальных программ — датчиков псевдослучайных чисел.
При формировании компонент вектора каждой вершины проверяют соответствие координат вершин заданным ограничениям. Если полученный набор проектных параметров в какой-нибудь вершине не удовлетворяет ограничениям — вершина вышла за пределы допускаемой области решений, то он отбрасывается и заменяется новым.
После завершения расчетов компонент векторов всех вершин комплекса в них рассчитывают значения целевой функции. Сопоставляя между собой полученные N значений, выбирают вершину с наихудшим значением целевой функции (при разыскании минимума вершину комплекса с наибольшим значением целевой функции, при разыскании максимума — с наименьшим).
Затем вычисляют координаты центра тяжести полученных вершин комплекса без худшей вершины по формуле
(32.1)
где k – номер худшей вершины комплекса. Требование выпуклости области задания векторов проектных параметров, накладываемое на ограничения, обеспечивает попадание центра тяжести в заданную область.
Следующий шаг алгоритма комплекс-метода — отражение худшей вершины относительно центра тяжести остальных (32.1). Отражение осуществляют по формуле
где α – масштабный коэффициент. Первоначально полагают α=1; если вновь полученная вершина не попадает в область задания, то эту точку приближают к , положив .
После этого рассчитывают среднее значение целевой функции и координаты вектора центра тяжести всех N вершин комплекса:
;
Затем проверяют выполнение условий окончания работы алгоритма комплекс-метода:
(32.2)
(32.3)
где ε и δ – заранее заданные точности вычисления целевой функции и координат соответственно. Если условия (32.2) и (32.3) выполнены, то лучшая из вершин последнего комплекса принимается за оптимальное решение. Если условия на данном шаге не выполняются, то пока они не будут выполнены продолжают последовательно отражать худшие вершины,.
Достаточно просты и удобны в практическом использовании методы условной оптимизации задач НП, основанные на преобразовании задачи условной оптимизации в задачу безусловной оптимизации за счет введения вспомогательных — штрафных функций.
Идея метода штрафных функций состоит в следующем. Пусть требуется минимизировать функцию f(X) при ограничениях (28.2)-(28.4). В наиболее общем виде штрафная функция задается выражением
(32.4)
где – вектор штрафных параметров; Ω – штраф, являющийся функцией штрафных параметров, а также функцией ограничений (28.3), (28.4). Штраф Ω должен быть сконструирован таким образом, чтобы при приближении точки к границе допустимой области, задаваемой ограничениями, штрафная функция при разыскании минимума) резко возрастала. Используя методы безусловной оптимизации, находят такие значения проектных и штрафных параметров, при которых Ф (32.4) достигает минимума. При этом, как правило, приходится строить последовательность векторов проектных и штрафных параметров, сходящуюся к точке оптимума.
В настоящее время наиболее разработан аппарат ЛП, поэтому представляется рациональным в ряде случаев использовать его для оптимизации нелинейных функций.
Наиболее просто это осуществить линеаризацией целевой функции (28.1) и функций – ограничений (28.2), (28.3), т. е.заменой нелинейных функций линейными приближениями. С этой целью рационально использовать разложение целевой функции и функций-ограничений в ряд Тейлора, ограничиваясь линейными членами. В результате линейной аппроксимацией целевой функции принимается:
(32.5)
в которой называется точкой линеаризации. Аналогично строятся линейные аппроксимации ограничений:
(32.6)
(32.7)
Решая оптимизационную задачу ЛП (32.5)-(32.7), например, симплекс-методом, получают точку пространства проектных параметров, которая является первым приближением к оптимуму. Далее, заменив на X(1), получают аналогично новое приближение и т. д.
Существует ряд алгоритмов, совершенствующих описанную выше итерационную процедуру. Они позволяют построить последовательность векторов проектных параметров, приближающихся к точке оптимума для различных конкретных задач НП.
Лекция №33
Дата добавления: 2015-11-06; просмотров: 1047;