lab_6 / lab6_25
.docxМИНЦИФРЫ РФ
Ордена Трудового Красного Знамени федеральное государственное бюджетное образовательное учреждение высшего образования
«Московский Технический Университет Связи и Информатики»
Кафедра информатики
ЛАБОРАТОРНАЯ РАБОТА №6
«Методы многомерной оптимизации»
Выполнил студент группы “Сортирный Союз”
username
Москва 2021
Индивидуальное задание
№ |
Целевая функция |
Ручной расчёт |
Компьютерный расчёт |
25 |
|
ГДШ |
НСА |
ГДШ - метод градиентного спуска с дроблением шага НСА - аналитический метод наискорейшего спуска
Проверка существования минимума функции
Известно, что всякий глобальный минимум выпуклой функции является одновременно и локальным. Проверим, что функция является выпуклой на множестве . Матрица Гессе для нашей функции:
Угловые миноры в данном случае:
Таким образом, функция является выпуклой на множестве .
Решение задачи многомерной оптимизации аналитическим методом
Необходимые условия существования точки экстремума:
Отсюда имеем
Начальная точка итерационного процесса численного решения задачи многомерной оптимизации
Выберем начальную точку спуска:
Метод НСА
Сначала выразим целевую функцию через шаг :
Из условия определим параметр :
Схемы алгоритмов для дальнейших расчётов приведены в разделе 2.7 пособия по алгоритмам. Код программы (C++) представлен на следующей странице.
Результат выполнения программы:
Метод ГДШ
Для проведения расчётов методом ГДШ создадим следующий сценарий и проведём расчёты для 3-х итераций:
После трёх итераций:
|
|
|
|
|
|
Построение траектории поиска минимума методами НСА и ГДШ
Для построения траектории спуска разными методами создадим следующий сценарий:
Решение задачи многомерной оптимизации средствами пакета Scilab
Сценарий для решения задачи многомерной оптимизации с помощью функции optim():
Вывод: координаты точки минимума функции, найденные аналитическим методом и методом, заложенным в функции optim() пакета Scilab, совпали в пределах допустимой погрешности - значит, расчёты проведены верно.