- •ОГЛАВЛЕНИЕ
- •ВВЕДЕНИЕ
- •1. ВВЕДЕНИЕ В ЗАДАЧИ ОПТИМИЗАЦИИ
- •1.1. Функции одной переменной
- •1.2. Функции многих переменных
- •ЗАДАЧИ
- •2. КЛАССИЧЕСКАЯ ЗАДАЧА МАТЕМАТИЧЕСКОГО ПРОГРАММИРОВАНИЯ
- •2.1. Задачи оптимизации при отсутствии ограничений
- •2.2. Метод множителей Лагранжа
- •ЗАДАЧИ
- •3. НЕЛИНЕЙНОЕ ПРОГРАММИРОВАНИЕ
- •3.1. Постановка задачи
- •3.3. Методы решения задач нелинейного программирования
- •3.4. Градиентные методы оптимизации
- •3.5. Квадратичные методы оптимизации
- •3.6. Учет ограничений в градиентных методах оптимизации
- •3.7. Последовательный симплексный метод
- •3.10. Методы случайного поиска
- •3.11. Глобальный поиск
- •3.12. Многокритериальные задачи
- •ЗАДАЧИ
- •4. ЛИНЕЙНОЕ ПРОГРАММИРОВАНИЕ
- •4.1. Постановка задачи
- •4.2. Двойственные задачи ЛП
- •4.3. Методы решения задач линейного программирования
- •ЗАДАЧИ
- •5. СПЕЦИАЛЬНЫЕ ЗАДАЧИ ЛИНЕЙНОГО ПРОГРАММИРОВАНИЯ
- •5.1. Транспортные задачи
- •5.2. Задачи целочисленного программирования
- •5.3. Задача выбора вариантов
- •5.4. Дискретное программирование
- •5.5. Задача коммивояжера
- •ЗАДАЧИ
- •БИБЛИОГРАФИЧЕСКИЙ СПИСОК
6
4
xi 2
2
0
2 0 2 4 6
xi 1
Рис. 3.23. Окончание
3.11. Глобальный поиск
Во многих практических задачах приходится иметь дело с многоэкстремальными целевыми функциями (рис. 3.24).
Q |
|
x |
|
x |
|
|
|
||
|
|
|
|
локальный |
|
|
|
|
экстремум |
|
|
|
|
линия водораздела |
|
|
|
|
зон притяжения |
|
|
x |
глобальный |
x |
I |
II |
x |
экстремум |
|
x |
|
x |
|
|
|
|
|
|
|
а) |
|
|
б) |
|
Рис. 3.24. Природа многоэкстремальности
В первом случае (рис. 3.24, а), при поиске максимума, если поиск начнется в зоне I, то локальные алгоритмы приведут в точку x , а из зоны II в точку x . Здесь многоэкстремальность обусловлена наличием ограничений и начальной точкой поиска x . Во втором случае (рис. 3.24, б) многоэкстре-
82
мальность обусловлена видом целевой функции Q(x) . Универсальных мето-
дов поиска глобального экстремума нет. Здесь широко используются методы случайного поиска [3].
Пусть задано допустимое множество Х системой ограничений типа неравенств (рис. 3.25).
x |
А |
x |
Рис. 3.25. К задаче глобального поиска
На допустимом множестве, применяя генератор случайных чисел, например, равномерного распределения, разбросаем случайные точки xk (век-
торы) xk X для k ,...,N (первая итерация). Точки отмечены на рис. 3.25 крестиками «х». Во всех точках вычислим Q xk и запомним только то значение Qk и соответствующий ему вектор xk , которые доставляют экстремум, т.е. наилучшие среди всех «разбросанных» точек xk
Qk extrQ xk .
xk X
Точка xk (точка А на рис. 3.25) подозревается на глобальный экстре-
мум и является точкой «притяжения». Из нее вновь производим генерацию случайных точек (векторов) xk ,x ,...,N (вторая итерация), например, гене-
ратором нормального распределения с параметром mx xk , и средним квадратическим отклонением x . Точки отмечены на рис. 3.25 «+» (плюсами). В
соответствие с законом распределения они концентрируются в области точки А. Хотя, отдельные точки попадут и в отдаленные зоны множества Х. Значение x выбирается исходя из размеров допустимого множества Х и правила
«трех сигма» x . Процедура поиска вновь повторяется на новой последовательности xk .
83
Найденные наилучшие значения в обеих итерациях сравниваются. Вы-
бирается наилучшая x , которая является начальной точкой поиска локального случайного поиска, либо комплекс-метода.
Процедуру поиска можно повторить еще раз. И если получим тот же результат, то уверенность, что найдено глобальное решение, возрастает. Если получим другой результат, то процедуру следует повторить еще раз для значений N и N .
Для повышения эффективности поиска применяют адаптацию параметров алгоритмов случайного поиска в функции успеха. Существуют и другие алгоритмы глобального поиска [3].
3.12. Многокритериальные задачи
Часто целевая функция не одна, а несколько, то есть функция Q(x)
Q(x) Q (x),Q (x),...,Ql (x) .
И задача состоит в одновременной минимизации (максимизации) всех критериев. Очевидно, если оптимизировать каждый критерий в отдельности, то локальные экстремумы не могут служить решением многокритериальной задачи (рис. 3.26).
Q
Q |
Q |
|
х
x |
x |
Рис. 3.26. Двухкритериальная целевая функция
Если один из критериев Qi (x) требует минимизации, а остальные мак-
симизации, то умножением его на «-1» сведем задачу к поиску максимума векторной целевой функции Q(x) .
Многокритериальные задачи часто формулируются в задачах проектирования сложных агрегатов, например, массогабаритные показатели и прочность конструкции, в задачах экономики (производительность и издержки производства) и в других сложных технических системах.
84
Пример |
3.5. |
|
Пусть |
|
l , |
n , |
Q x x min , |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
min , xi , i , . |
|
|
|
|
|
||||
Q x x |
|
|
|
|
|
||||||
Нетрудно видеть, |
что для |
Q x |
( , ) , |
Q x |
( , ) . |
Очевидно |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
каждой точке в пространстве Х соответствует точка в пространстве критериев Q, тогда область допустимых состояний Х в пространстве параметров отражается в определенную область S пространства критериев (рис. 3.27).
Очевидно, в пространстве критериев всегда можно выделить подмножество S точек Q S , для которых уже не найдется более предпочтитель-
ных Q. Этому подмножеству S соответствует подмножество x X в пространстве параметров (см. рис. 3.27), которое обычно называется множеством Парето, переговорным множеством или областью компромисса. Важность этого множества заключается в том, что именно оно содержит решение
многокритериальной задачи. В нашем примере подмножеству S соответст-
вует подмножество x – отрезок, соединяющий точки обоих минимумов функций Q и Q . Таким образом с формальной точки зрения множество Па-
рето можно считать решением многокритериальной задачи. Но на практике всегда необходимо не множество решений, а одно.
Q |
|
8 |
|
6 |
|
4 |
|
А |
|
2 |
|
S |
|
В |
Q |
1 |
2 |
а) |
|
x |
|
|
|
|
x |
|
|
|
1 |
|
|
Х |
|
x |
|
|
|
-1 |
|
1 |
x |
|
x |
|
|
|
-1 |
|
|
б)
Рис. 3.27. Пояснения к примеру 3.5
Для однозначного решения многокритериальной задачи оптимизации всегда необходимо введение дополнительной информации, используя которую, исходную задачу можно свести к однокритериальной задаче.
Простейший способ состоит в оптимизации одного главного критерия, а значения остальных критериев ограничить пределами и рассматривать их в виде ограничений задачи
85
Q j (x) extr ,
x
x X ,
: Qi (x) qi ,i j,i , ,...,l.
При этом возникают трудности при выборе главного критерия и ограничений qi . Для этого привлекают экспертов. Поэтому чаще используют
свертку целевых функций с учетом дополнительной информации и сведение задачи к однокритериальной на основе априорного, апостериорного, адаптивного метода [3].
Априорный метод связан с построением обобщенной целевой функции только на основе априорной информации об объекте. Например, свертка критериев
l |
l |
q(x) iQi (x) или q(x) Qi (x) i , |
|
i |
i |
где i - весовые коэффициенты, которые задаются на основе априорной (до-
полнительной) информации.
Можно использовать и другие свертки, но суть в задании весовых коэффициентов.
Апостериорный метод связан с выбором функции свертки и определением весовых коэффициентов этой функции с использованием, например, экспертов. То есть заданием структуры модели свертки и далее идентификация параметров ее с помощью процедур оценивания по результатам экспертного опроса.
Адаптивный метод связан с последовательным решением задачи построения свертки и идентификации ее параметров на множестве Парето путем разыгрывания ситуаций, предлагаемых экспертам в определенной последовательности.
86