- •Лекции по математическим основам принятия оптимальных технических решений
- •1.Лекции по курсу математические основы
- •1.4. Этапы процесса принятия решений
- •1.5. Классификация задач принятия решений
- •1.6. Основные принципы принятия решений.
- •2. Оптимизация систем.
- •2.1 Постановка задачи оптимизации
- •2.3.Понятие о свойствах целевой и ограничивающих функций
- •2.4.Определение линейной системы.
- •2.5. Формальные методы построения математических моделей. Выбор факторов и переменных состояния объекта исследования
- •2.6. Планирование эксперимента
- •2.6.1.Обработка экспериментальных данных.
- •2.6.2.Полный факторный эксперимент.
- •3. Классификация методов оптимизации
- •3.1.Классификация задач оптимизации.
- •3.2.Одномерная оптимизация
- •3.2.1. Метод сканирования
- •3.2.4. Метод параболической аппроксимации
- •3.3. Многомерная оптимизация. Концепция методов.
- •3.4. Многомерная безградиентная оптимизация
- •3.8. Многомерная градиентная оптимизация
- •3.9. Методы оптимизации 1-ого порядка
- •4. Постановка задачи многокритериальной оптимизации
- •1.6 Многопараметрическая оптимизация.
- •5.Обобщенная модель управления запасами
- •6. Классическая статическая модель
- •7. Задача экономичного размера заказа с разрывами цен
- •8.Многопродуктовая статическая модель управления запасами с ограничениями вместимости.
- •9. Динамическая модель управления запасами при отсутствии затрат на оформление.
- •10. Модель управления запасами с затратами на оформление заказа.
- •11.Понятие игры. Характеристика игры. Цена игры.
- •12. Классификация игр. Определение седловой точки.
- •13.Определение смешанной стратегии. Решение игры 2*2 в смешанных стратегиях.
- •14.Типы критериальных функций в играх с природой.
- •15.Классические критерии принятия решений в играх с природой.
- •16.Производные критерии принятия решений в играх с природой
- •17.Шкала. Определение. Виды.
- •18.Экспертные методы получения количественных оценок альтернатив.
- •19.Экспертные методы получения качественных оценок альтернатив.
- •20.Метод анализа иерархий. Этапы.
- •21.Метод анализа иерархий. Шкала.
- •22.Метод анализа иерархий. Калибровки.
- •23.Метод анализа иерархий. Вектора приоритетов.
- •24.Метод анализа иерархий. Оценка согласованности.
3.1.Классификация задач оптимизации.
Принято различать задачи статической оптимизации для процессов, протекающих в установившихся режимах, и задачи динамической оптимизации.
В первом случае решаются вопросы создания и реализации оптимальной модели процесса, во втором -задачи создания и реализации системы оптимального управления процессом при неустановившихся режимах эксплуатации.
Если требуется определить экстремум целевой функции без задания условий на какие-либо другие величины, то такая оптимизация называется безусловной. Такие критерии обычно используются при решении частных задач оптимизации (например, определение максимальной концентрации целевого продукта, оптимального времени пребывания реакционной смеси в аппарате и т.п.).
Если необходимо установить экстремум целевой функции при некоторых условиях, которые накладываются на ряд других величин (например, определение максимальной производительности при заданной себестоимости, определение оптимальной температуры при ограничениях по термостойкости катализатора и др.), то такая оптимизация называется условной.
Процедура решения задачи оптимизации обязательно включает, помимо выбора управляющих параметров, еще и установление ограничений на эти параметры (термостойкость, взрывобезопасность, мощность перекачивающих устройств).
Ограничения могут накладываться как по технологическим, так и по экономическим соображениям.
В зависимости от управляющих параметров различают следующие задачи :
оптимизация при одной управляющей переменной- одномерная оптимизация,
оптимизация при нескольких управляющих переменных – многомерная оптимизация,
оптимизация при неопределённости данных,
оптимизация с непрерывными ,дискретными и смешанным типом значений управляющих воздействий.
В зависимости от критерия оптимизации различают:
с одним критерием оптимизации- критерий оптимальности единственный.
со многими критериями. Для решения задач со многими критериями используются специальные методы оптимизации.
3.2.Одномерная оптимизация
В данном разделе не делается упор на поиск именно минимума, тем более что практически все методы могут искать и минимум, и максимум при незначительных изменениях в алгоритмах. Действительно для того, чтобы найти максимум (минимум) функции нужно искать минимум (максимум) целевой функции с противоположным знаком.
В данном разделе рассматриваются методы решения одномерных задач оптимизации вида R(x) -> max , ,где х — скаляр, а и b — соответственно нижняя и верхняя граница значения переменной x.В основном рассматриваются алгоритмы, связанные с построением улучшающей последовательности. Решением задачи называется х*, при котором R(x*) > R(x) для любого значения . При практическом решении задач не будем различать два значениях и , ecли ,где — задаваемая погрешность решения.
3.2.1. Метод сканирования
Метод заключается в последовательном переборе всех значений с шагом (погрешность решения) с вычислением критерия оптимальности R в каждой точке. Путем выбора наибольшего из всех вычисленных значений R и находится решение задачи х *. Достоинство метода в том, что можно найти глобальный максимум критерия, если R(x) — многоэкстремальная функция. К недостаткам данного метода относится значительное число вычислений R(x), что в случае сложной функции R(x) требует существенных затрат времени.
3.2.2.Метод деления пополам
Метод основан на (рис.1) делении текущего отрезка [a, b], где содержится искомый экстремум, на две равные части с последующим выбором одной из половин, в которой локализуется максимум в качестве следующего текущего отрезка. Экстремум локализуется путем сравнения двух значений критерия оптимальности в точках, отстоящих от середины отрезка на / 2, где — погрешность решения задачи оптимизации. Если R(x + /2) > R(x - /2), то максимум располагается на правой половине текущего отрезка [а, b],
Рис.1.
противном случае — на левой (рис.2).
Новый интервал
поиска
Рис.2.
Процесс поиска завершается при достижении отрезком [a, b] величины заданной погрешности .К недостаткам метода относится его работоспособность только для одноэкстремальных функций R(x) (т.е. таких, которые содержат один экстремум того типа, который мы ищем в задаче),так как в других случаях при сравнении двух критериев в соседних точках невозможно правильно выбрать следующий интервал, где находится максимум. Пример. Дана функция R(x) = 100*sin(x+1). Найти максимум на интервале: [-1, 2]. Ошибка задается по х: =0,05.Результаты расчетов. Середина отрезка х= 0,5, значение критерия R =99.75, значение R(0,5 - /2) =R(0,475) = 97.92, значение R(0,5 + /2) =R(0,525) =99.89. Следовательно, искомый максимум лежит в правой половине отрезка, т.е. теперь отрезком является [0,5, 2J.
3.2.3. Метод золотого сечения
Метод основан на делении текущего отрезка [a, b] , где содержится искомый экстремум, на две неравные части, подчиняющиеся правилу золотого сечения, для определения следующего отрезка, содержащего максимум.
c
b
a
d
Рис. 3. Иллюстрация метода золотого сечения.
Золотое сечение определяется по правилу: отношение всего отрезка к большей его части равно отношению большей части отрезка к меньшей. Ему удовлетворяют две точки с и d, расположенные симметрично относительно середины отрезка.
Если ab=1, ad=x, тогда x=0.38197
Путем сравнения R(c) и R(d) определяют следующий отрезок, где содержится максимум. Если R(d) > R(c), то в качестве следующего отрезка выбирается отрезок [a, c],
Рис.4.
Если же R(d) < R(c), то — отрезок [a, c].
Рис.5.
Новый отрезок снова делится на неравные части по правилу золотого сечения. Следует отметить, что точка c и в том и другом случаях входит в интервал поиска. Поэтому на
каждой следующей итерации (кроме "запуска" метода на исходном отрезке) нужно вычислять только одно значение критерия оптимальности.
Существуют аналитические формулы для расчета новой точки на отрезке, где находится максимальное значение R(x), которую нетрудно получить:
Условие окончания поиска — величина отрезка, содержащего максимум, меньше заданной погрешности. Метод обеспечивает более быструю сходимость к решению, чем многие другие методы, и применим, очевидно, только для одноэкстремальных функций. В практических задачах под одноэкстремальной функцией понимают функцию, содержащую один экстремум того типа, который ищется в задаче.
Пример. Дана функция R(x)=sin(x+1). Найти максимум на интервале: [-1,2]. Ошибка задается по х: =0,05.
Результаты расчетов. Для "запуска" метода найдем две симметричные точки золотого сечения для отрезка [-1, 2]: x1 =0,146, x2 =0,854.
Значения критериев в этих точках соответственно R(x1) =0,911, R(x2 =0,960. Следовательно, новым отрезком является [0,146,2], внутри которого находится максимальное из найденных значений R. Точка золотого сечения для нового отрезка будет x3 =0,583, a R(x3) =0,999