- •Лабораторная работа № 1
- •Варианты заданий
- •Лабораторная работа № 2
- •Лабораторная работа № 3
- •Лабораторная работа № 6 Интерполирование функций
- •Лабораторная работа № 7 Интерполирование функций двух переменных
- •Лабораторная работа № 8 Метод золотого сечения
- •Лабораторная работа № 9 Метод Куммера
- •Варианты заданий
- •Лабораторная работа № 10 Решение систем нелинейных уравнений методом Ньютона Пусть задана система двух нелинейных уравнений с двумя неизвестными
- •Лабораторная работа № 11 Решение систем нелинейных уравнений методом итерации
- •Лабораторная работа № 12 Решение систем линейных уравнений методом Гаусса
- •Лабораторная работа № 13 Метод прогонки
- •Варианты заданий
- •Варианты заданий
- •Лабораторная работа № 20 Метод Милна
- •Лабораторная работа № 21 Метод Адамса
- •Лабораторная работа № 23 Решение систем дифференциальных уравнений методом Рунге—Кутта
- •Лабораторная работа № 24 Задача линейного программирования
- •Лабораторная работа № 25 Транспортная задача
- •Лабораторная работа № 26 Метод наискорейшего спуска
- •Лабораторная работа № 27 Метод дробления шага
- •Лабораторная работа № 28 Метод покоординатного спуска
- •Лабораторная работа № 29 Метод случайного поиска
- •Лабораторная работа № 30 Эмпирические формулы. Линейная зависимость
- •Лабораторная работа № 31 Решение краевой задачи методом сеток
- •Лабораторная работа № 35 Динамическое программирование
- •Корни нелинейных уравнений
- •Интерполирование функций
- •Двумерная интерполяция
- •Метод золотого сечения (лабораторная работа № 8)
- •Решение систем нелинейных уравнений (лабораторные работы №10— 11)
- •Решение систем линейных уравнений
- •Решение систем линейных уравнений методом прогонки
- •Приближенные значения интегралов
- •Приближенные решения системы дифференциальных уравнений
- •Задача линейного программирования
- •Максимальная прибыль
- •Транспортная задача
- •Значения функции в точке минимума
- •Динамическое программирование
- •Список литературы
Лабораторная работа № 28 Метод покоординатного спуска
Метод применяется для отыскания минимума функции n переменных. Находится некоторое начальное приближение (0) точки минимума функции. Затем выбирается направление спуска параллельно оси 0х1 и решается задача одномерной минимизации функции. Величина 0 определяется из условия
.
Определяется первое приближение точки минимума а все остальные координаты остаются без изменения. При следующем уточнении точки минимума спуск производится вдоль линии, параллельной оси 0х2. Величина 1 определяется из условия
.
Затем определяется второе приближение точки минимума а все остальные координаты остаются без изменения. Аналогичным способом спуск продолжается в направлении следующих координат. После этого спуск снова начинается в направлении первой, второй и т. д. координаты. Процесс заканчивается при выполнении условия
grad f((k+1)) < .
Пример. Найти минимум функции
f (x1,x2) = 2x1 - 3x2 + exp (x12 + x24).
Решение. Задачу решим методом покоординатного спуска. Возьмем = 0,001. В качестве начального выберем вектор = (0;0). Тогда
grad f = + grad
grad 3,60555.
Составим функцию которую нужно минимизировать по параметру . Для минимизации этой функции применим метод дробления шага. Результаты вычислений занесены в табл. 6.
Можно считать, что минимум функции достигается в точке =(- 0,547; 0,743) и равен -1,493638.
Таблица 6
k |
|||||
0 |
(0; 0) |
1 |
2 |
-3 |
3,605551 |
1 |
(-0,652918; 0,00000) |
0,225747 |
0,000005 |
-3 |
3,000000 |
2 |
(-0,652918; 0,720492) |
-1,462048 |
-0,618545 |
-0,000015 |
0,618545 |
3 |
(-0,558881; 0,720492) |
-1,489943 |
-0,000007 |
-0,323116 |
0,323116 |
4 |
(-0,558881; 0,740601) |
-1,493255 |
-0,063737 |
-0,000017 |
0,063737 |
5 |
(-0,548115; 0,740601) |
-1,493597 |
-0,000004 |
-0,035558 |
0,035558 |
6 |
(-0,548115; 0,742701) |
-1,493634 |
-0,006869 |
-0,000011 |
0,006869 |
7 |
(-0,546942; 0,742701) |
-1,493638 |
0,000002 |
-0,003863 |
0,003863 |
8 |
(-0,546942; 0,742927) |
-1,493638 |
0,000742 |
-0,000023 |
0,000742 |
Задание. Методом покоординатного спуска найти минимум функции где k — номер фамилии студента в журнале преподавателя. Значения х1 и х2, в которых функция достигает минимума, определить с точностью = 0,0001. Начальное приближение найти методом случайного поиска.
Лабораторная работа № 29 Метод случайного поиска
Метод применяется для нахождения минимума некоторой функции , заданной в некоторой области. Для этого разыгрывается равномерно распределенный в этой области случайный вектор . Определяется значение функции в этой точке. Запоминается значение вектора и значение функции. Затем разыгрывается новое значение случайного вектора и определяется новое значение функции. Если новое значение меньше запомненного, то запоминается новое значение функции и координаты нового вектора. В противном случае никаких операций не производится.
Затем выполняется следующий из N шагов решения задачи. Запомненные значения функции и координат вектора и являются приближенным решением задачи. Чем больше задано значение N, тем точнее будет получено решение задачи.
Пример. Найти минимум функции
Решение. При решении этой задачи в области [(-1;0);(0;1)] при N = 32000 были получены следующие результаты: x1 = -0,541633; x2 = 0,742442; F = -1,493550. При повторном решении задачи при этих же условиях были получены результаты, отличающиеся в третьем знаке после запятой от приведенных выше, так как при повторном решении разыгрываются другие значения вектора и результаты решения задачи несколько изменяются.
Задание. Методом случайного поиска найти минимум функции
где k — номер фамилии студента в журнале преподавателя. При вычислениях взять N = 10000. Запустить программу три раза. Сравнить полученные результаты.