- •Институт холода и биотехнологий
- •Основы научных исследований, организации и планирования эксперимента Учебно-методическое пособие
- •Санкт-Петербург
- •Введение
- •1. Методология математического моделирования технологических машин и оборудования пищевых производств
- •1.1. Основные понятия планирования эксперимента (активный эксперимент)
- •Полный факторный эксперимент для построения модели зависимости качества измельчения от конструктивных параметров рабочих органов
- •Планирование эксперимента для построения модели зависимости качества измельчения от конструктивных параметров рабочих органов
- •1.2. Особенности обработки данных при пассивном эксперименте
- •Системы нормальных уравнений для различных форм связи
- •Замена переменных для линеаризации моделей
- •Данные пассивного эксперимента о выходе продукции
- •Корреляционная матрица
- •Результаты математико-статистической обработки
- •2. Решение задачи оптимизации технологических машин и оборудования пищевых производств методами линейного программирования
- •2.1. Алгоритм решения простых задач условной оптимизации
- •2.2. Решение задачи линейной оптимизации средствами Excel и Mathcad
- •Условия задачи линейного программирования
- •3. Варианты домашних заданий
- •Экспериментальные данные по испытаниям трубчатого теплообменника
- •Список литературы
- •Содержание
- •Институт холода и биотехнологий
- •Учебно-методическое пособие
Результаты математико-статистической обработки
а)
Регрессионная статистика |
|
Множественный R |
0,926888 |
R-квадрат |
0,859121 |
Нормированный R-квадрат |
0,837447 |
Стандартная ошибка |
41,47298 |
Наблюдения |
16 |
Окончание табл. 1.11
б)
Дисперсионный анализ |
|||||
|
Df |
SS |
MS |
F |
Значимость F |
Регрессия |
2 |
136358,3 |
68179,17 |
39,63887 |
2,93E-06 |
Остаток |
13 |
22360,1 |
1720,008 |
|
|
Итого |
15 |
158718,4 |
|
|
|
в)
Показатель |
Коэффициенты |
Стандартная ошибка |
t-статистика |
Y-пересечение |
–1471,31 |
259,766 |
–5,664 |
Расходы на сырье |
9,568414 |
2,265936 |
4,222719 |
Расходы на оборудование |
15,75287 |
2,466858 |
6,385804 |
Распределение остатков свидетельствует о независимости и их нормальном распределении, а следовательно, о правильности выбора типа регрессионной модели.
Вычисленное значение критерия Фишера для доверительной вероятности 0,95 и степеней свободы числителя и знаменателя, соответственно, 2 и 13 свидетельствует об адекватности модели, поскольку оно больше табличного (4,81). Значение рассчитанного t-критерия при 5 %-м уровне значимости и степени свободы 13 больше соответствующего табличного (1,77), что также говорит о существенности коэффициентов a1, a2.
2. Решение задачи оптимизации технологических машин и оборудования пищевых производств методами линейного программирования
2.1. Алгоритм решения простых задач условной оптимизации
Множество D называется выпуклым, если любые две точки этого множества можно соединить прямым отрезком, целиком содержащимся в D.
Замкнутое выпуклое множество D характеризуется следующим «геометрическим» свойством: касательная гиперплоскость, проведенная к любой точке границы множества D, не пересекает D.
Функция Лагранжа называется регулярной [1], если 0 = 1, т. е. в точке экстремума ранг матрицы Якоби равен М.
Для несложных задач нелинейной оптимизации изложенные выше соображения позволяют найти оптимальное решение. Алгоритм поиска оптимума состоит из четырех этапов:
– построения функции Лагранжа;
– составления системы, определяющей стационарные точки;
– нахождения стационарных точек путем решения этой системы;
– выделения из стационарных точек оптимума.
На первом этапе задачу следует привести к каноническому виду [2]. Если в задаче присутствует ограничение j (X) > 0, то оно должно быть представлено в виде –j (Х) < 0. Для произвольной задачи функцию Лагранжа можно построить различными способами. Это связано с тем, что выбор множества Р неоднозначен: какие-то ограничения включаются в множество Р, а какие-то считаются функциональными. Множество Р обычно стараются выбрать таким, чтобы к нему можно было применить основную лемму оптимизации [2]. Также на первом этапе проверяется условие регулярности; если оно выполняется, то записывается регулярная функция Лагранжа.
На втором этапе в явном виде записывают условия оптимизации и условие допустимости Y D.
На третьем этапе найти решение полученной системы в явном виде удается в исключительно редких случаях. Это связано с ее сложностью.
На четвертом этапе, если функция Лагранжа регулярна, при анализе стационарных точек на оптимум используют теоремы 3.7 и 3.9 [2]. В противном случае требуется более громоздкий анализ стационарных точек.