Дворецкий С.И. и др. - Комп. моделир. и оптимизация технологич. процессов и оборуд. [2003]
.pdfВеличина χUi является верхней оценкой для значения функции ψ(d, θ) внутри области Ti(ν) . Поэтому
закономерно в качестве квазиоптимальной области выбрать область T (ν) , для которой величина χUi при- |
|
|
kν |
нимает наибольшее значение |
|
χUk |
= max χUi . |
|
i |
Для проведения процедуры метода ветвей и границ на каждой итерации необходимо также знать нижнюю границу значения величины χ(d) = ψ(d, θ* ) . Будем вычислять ее следующим образом [64]. Обо-
значим через θ*i решение задач (4.56) и найдем
ψ(d, θ*i ) = min max g j (d, z, θ*i ).
z j
Для этого необходимо решить задачу: |
|
|
|
||
min α; |
(4.57) |
||||
z, α |
|
|
|
||
g j (d, z, θ*i ) ≤ α, ( j = |
|
). |
|
|
|
1, m |
|
|
|
||
Вычислим ψ(d, θ*i ) для всех областей Ti(ν) , |
(i = |
|
. |
||
1, Nν ) |
|||||
Введем величину |
|
|
|
χ(Lν) = max ψ(d, θ*j ).
j
Очевидно, что
χ(d) = max ψ(d, θ) ≥ R(ν) ,
θ T
что и определяет R(ν) как нижнюю границу для максимального значения функции ψ(d, θ) . Пусть для не-
которой области выполняется |
соотношение R(ν) ≥ χUl |
(ν) , |
тогда |
в соответствии с неравенством |
|
χU ≥ max ψ(d, θ) имеем R(ν) ≥ ψ(d, θ), θ T (ν) . Следовательно, |
точка θ* |
заведомо не принадлежит области |
|||
l |
θ Ti |
l |
|
|
|
|
|
|
|
|
|
T (ν) |
и в дальнейшем не рассматривается. Процедура прекращается при выполнении соотношения |
||||
l |
|
|
|
|
|
R(ν) −χUkν ≤ ε ,
где ε – малая величина.
Если речь идет об оценке гибкости ХТП, а не о вычислении χ(d ) , то описанная процедура может
окончится раньше, чем выполнится последнее условие. Действительно, пусть на ν -ой итерации выполнится условие
max χi ≤ 0 ,
i
тогда
χkν ≤ 0.
Далее, на каждом шаге необходимо найти два значения χS и χq , соответствующих областям TS(ν+1) и Tq(ν+1) , на которые разбивается квазиоптимальная область Tk(νν) . Для этого потребуется два раза решить задачу (4.56) и кроме того, необходимо найти величины ψ(d, θ*S ) и ψ(d, θ*q ) , дважды решив задачу (4.57) для i = S и i = q .
Вернемся теперь к решению задачи (4.58) – (4.60):
C* |
= min M |
min C(d, z, θ) |
|
g |
j |
(d, z, θ) ≤ 0, |
j J |
; |
(В) |
||
|
|||||||||||
B |
|
θ |
|
|
|
|
|
|
|
||
|
d |
|
z |
|
|
|
|
|
|
|
|
|
χ(d) = max min max g j (d, z, θ) ≤ 0. |
|
|
|
|||||||
|
|
|
θ z |
j |
|
|
|
|
|
|
|
Используя полученные выше оценки χL (d), χU (d) , можно получить оценки оптимального значения целевой функции [64]. Действительно, рассмотрим следующие вспомогательные задачи.
CГ* |
= min M θ{min C(d, z, θ) |
|
|
g j (d, z, θ) ≤ 0, |
j J |
}; |
(Г) |
|||
|
||||||||||
|
d |
z |
|
|
|
|
|
|
|
|
|
|
χU (d) ≤ 0. |
|
|
|
|
|
|||
C* |
= min M |
min C(d, z, θ) |
|
|
g |
j |
(d, z, θ) ≤ 0, |
j J |
; |
(Д) |
|
|
|||||||||
D |
|
θ |
|
|
|
|
|
|
||
|
d |
z |
|
|
|
|
|
|
|
|
χL (d ) ≤ 0.
Задачи (Г) и (Д) отличаются от задачи (В) только тем, что в них ограничение χ(d) ≤ 0 заменено соответственно на ограничения χU (d) ≤ 0 и χL (d ) ≤ 0 . Поскольку имеет место неравенство
χL (d) ≤ χ(d) ≤ χU (d) ,
то можно записать
CD* ≤ CВ* ≤ CГ* ,
где CВ* , CГ* , CD* – оптимальные значения целевой функции задач (В), (Г) и (Д), соответственно. Следует отметить, что решение задачи (Г) и (Д) проще, чем решение задачи (В). Если разность доста-
точно мала, то в качестве приближенных оптимальных значений конструктивных переменных могут быть приняты значения
dk(B)* = 0,5(dk( Г)* + dk(D)* ) ,
при условии
χ(d (B)*) ≤ 0.
Введем еще одну вспомогательную задачу, разбив область T на N областей Ti (i =1, N ) и определяя
|
|
|
χUi |
(d) = min max max g j (d, z, θ). |
|
|
|
|
|
z Z j J θ T |
|
CE* = min Mθ{min C(d, z, θ) |
|
g j (d, z, θ) ≤ 0, j J }; |
(Е) |
||
|
|||||
d |
z |
|
|
|
χUi (d) ≤ 0, ... , χUN (d) ≤ 0 .
Поскольку имеет место неравенство χ(d) ≤ χU ≤ χU (d) , то
CB* ≤ CE* ≤ CГ* .
Пусть величина r(Ti ) характеризует размер подобласти Ti . При выполнении условия r(Ti ) ≤ ε , (где ε – достаточно малое число), можно получить достаточно хорошее приближение к решению задачи
(2.28) – (2.30).
Рассмотрим алгоритм решения задачи (2.28) – (2.30) с помощью задачи (Е), в которой разбиение на области Ti будет проводится более "экономичным" способом. Обозначим через Ti(ν) , i =1, N (ν) ) подобласти, на которые разбивается область T на k -ой итерации.
Алгоритм 4 [60].
Шаг 1. Положим ν = 0 . Выбрать начальное разбиение области T на подобласти Ti(ν) , i =1, N (ν) ) и начальное значение d (ν) вектора d .
Шаг 2. Решить задачу (Е). Пусть CE(ν) и d (ν) – оптимальные значения критерия и вектора d . Шаг 3. Найти множество S (ν) номеров активных ограничений:
χUi (d (ν) ) = 0, i S (ν) .
Очевидны соотношения
χUi (d (ν) ) ≥ χUj (d (ν) ), i S (ν) , j ≠ i .
Шаг 4. Если множество S (ν) – пустое, то решение задачи (2.28) – (2.30) получено. В противном случае перейти к шагу 5.
Шаг 5. Проверить условие
r(Ti ) ≤ δ, i S (ν) ,
где δ – заранее заданное малое число. Если условие выполняется, то итерационную процедуру закон-
чить, в противном случае перейти к шагу 6. |
|
|
|
|
|
|
|
|
||
Шаг 6. Разбить каждую область T (ν) (i S (ν) ) на две подобласти T (ν+1) |
и T (ν+1) |
и образовать новое |
||||||||
|
|
i |
|
i |
|
|
i |
2 |
|
|
|
|
|
|
1 |
|
|
|
|
|
|
разбиение, исключив из предыдущего разбиения подобласти |
|
Ti(ν) (i S (ν) ) |
|
и добавив новые области |
||||||
T (ν+1) |
, T (ν +1) (i S (ν) ) . |
|
|
|
|
|
|
|
|
|
i |
i |
|
|
|
|
|
|
|
|
|
1 |
2 |
|
|
|
|
|
|
|
|
|
Шаг 7. Положить ν = ν +1 и перейти к шагу 2. Поскольку T |
(ν+1) T (ν) , |
T |
(ν+1) T(ν) , χU (ν) (d) ≥ χU (ν+1) (d) , |
|||||||
|
|
i |
|
i |
i |
2 |
|
i |
i |
i |
|
|
1 |
|
|
|
|
|
1 |
||
χUi (ν) (d) ≥ χUi2(ν+1) (d) . |
|
|
|
|
|
|
|
|
|
|
Следовательно, |
CE(ν) ≥ CE(ν+1) . |
|
|
|
|
|
|
|
|
Приведенный алгоритм позволяет получить локальный минимум задачи (4.48) – (4.50). Особенность этого алгоритма состоит в том, что на каждой итерации выполняется операция, кото-
рая приближает ограничение (Е) к ограничению (4.48) (шаг 5, 6). Идея этой операции близка к идее метода "ветвей и границ" [63], поскольку на каждой итерации разбиению подвергаются те подобласти Ti(ν) , для которых верна оценка величины χ(d) наибольшая. Фактически поиск моно прекратить при выполнении условия
CE(ν) −CE(ν+1) ≤ ε ,
где ε – достаточно малое число.
Задача 7. Формулировка этой задачи та же, что и задачи 3 за исключением того, что условие гибкости (работоспособности) проекта записывается в виде
χ(d) = min min max max g j (d, z, θ) ≤ 0 . |
(4.58) |
θ1 T1 z Z θ2 T 2 j J |
Рассмотрим вопрос, связанный с представлением критерия оптимизации. Для фиксированного мо-
мента времени на этапе эксплуатации ХТП значение θ1 известно, а θ2 |
может принимать любое значение |
|||||||||||
из области T 2 . Поэтому для фиксированного момента времени будем иметь следующую постановку оп- |
||||||||||||
тимизационной задачи |
|
|
|
|
|
|
|
|
|
|
|
|
ˆ |
1 |
|
2 |
|
1 |
2 |
) |
|
1 |
, θ |
2 |
|
|
|
|||||||||||
C(d, θ ) = min M |
θ |
C(d, z, θ , θ |
|
|
max g j (d, z, θ |
|
) ≤ 0, j J . |
|||||
|
z Z |
|
|
|
|
|
|
θ2 T 2 |
|
|
|
В качестве критерия оптимального проектирования должно быть взято математическое ожидание
1 |
ˆ |
1 |
|
|
|
|
по θ |
от величины C(d, θ ) . |
|
|
|
||
В результате приходим к следующей задаче |
|
|||||
|
C |
* |
= min M |
ˆ |
1 |
(4.59) |
|
|
θ1 {C(d, θ ) }, |
||||
|
|
|
d |
|
|
|
при ограничении (4.58).
Используя метод дискретизации критерия, получим дискретный аналог задачи (4.59), (4.58).
C* = mind , zi ∑wilC(d, zi , θ1i , θ2l ) ,
при условиях (4.58) и
max g j (d, zi , θ1i , θ2 ) ≤ 0, j =1, m, i I1,
θ2 T 2
где wil = wi vl , wi , vl – весовые коэффициенты ( ∑vl =1, ∑wi =1); I1, I2 – множества индексов аппроксима-
ционных точек.
Сформулированная задача (4.59), (4.58) представляет определенный интерес для практики и может быть решена при помощи модифицированного алгоритма 4.
4.4 Оптимизация динамических режимов нелинейных технологических объектов
Сформулируем задачу оптимальной стабилизации для класса разомкнутых систем управления: требуется найти управление u*(t) U , доставляющее минимум функционалу качества вида
I (u *(t), θ1, θ2 ) = min 1 ( y(tk ) −yзад(tk )), F ( y(tk ) − yзад(tk )) +
u U 2
+ 12 t∫k ((y (t) − yзад(t)), Q(t) (y(t) − yзад(t)) + u(t), G(t) u(t) )dt],
t0
(4.60)
при связях в форме уравнений математической модели динамики нелинейного химического процесса
y&(t) = f ( y(t), u(t), ξ1, ξ2 );
y(t0 ) = y0 ;
(4.61
)
и ограничениях на качественные показатели переходного процесса в системе автоматического управления.
Здесь y(t), yзад(t) – n -мерные векторы текущего и заданного состояния (программы изменения) процесса, соответственно; u(t) – m -мерный вектор управления; f (•) – нелинейная по y и u векторфункция; F, Q(t) – положительно полуопределенные матрицы (n ×n) ;
G(t) – симметричная положительно определенная матрица (m ×m) ; • – скалярное произведение векто-
ров.
Для решения задачи (4.60), (4.61) нами применялся метод "последовательной итерации", суть которого состоит в замене исходной нелинейной задачи сходящейся последовательностью линейных. Каждая линейная задача последовательности получается путем линеаризации нелинейной вектор-функции f (•) в окрестности траектории состояния ХТП и управления, полученных при решении предыдущей
линейной задачи. В первом приближении функция линеаризуется в окрестности траектории x(t) = xзад(t) , u(t) = u(0) для задачи оптимальной стабилизации. В этом случае система линеаризованных уравнений имеет вид:
&(ν+1) |
(t) = A |
(ν) |
x |
(ν+1) |
(t) + B |
(ν) |
(t)u |
(ν+1) |
(t) + h |
(ν) |
(t); |
|
|||||
x |
|
|
|
|
|
|
|
(4.62) |
|||||||||
|
|
|
|
|
|
x(ν+1) (t0 ) = y0 , |
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
где |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
A(ν) (t) = ∂f (x, u, θ1, |
|
2 ) |
|
|
|
∂f (x, u, ξ1, |
|
2 ) |
|
||||||||
θ |
x=x (ν) (t); |
B(ν) (t) = |
ξ |
; |
|||||||||||||
|
∂x |
|
|
|
|
|
|
|
|
|
∂u |
x=x (ν) (t); |
|||||
|
|
|
|
|
|
|
u =u (ν) (t); |
|
|
|
|
|
|
|
|
u =u (ν) (t); |
h(ν) (t) = f (x(ν) , u(ν) , θ1, θ2 ) − A(ν) (t)x(ν) (t) − B(ν) (t)u(ν) (t).
Задача (4.62) линейна по переменным x((tν)+1) , u((tν)+1) и ее решение определяется известным соотношением для оптимального управления [68]. Последовательность линейных задач решается до тех пор, пока при некотором ν = q выполняется неравенство x(q) − x(q−1) ≤ ε .
Приэтомвекторуправления u(q) принимается вкачестве решениязадачи(4.60), (4.61), т.е. u* = u(q) . Заметим, чтосходимостьитерацийвсильнойстепенизависитотудачноговыбораначальногоприближения u(0) .
Решение задачи синтеза оптимального управления в замкнутой системе может быть получено на базе метода АКОР по критерию обобщенной работы А.А. Красовского. В соответствии с этим методом для процесса, описываемого уравнениями
|
|
|
|
|
|
|
|
|
|
r |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
2 |
) = ∑ϕij |
|
|
|
|
|
|
|
|
|
|
||
|
|
|
& |
|
|
|
(x, t)u j , (i =1, n), |
|
|||||||||||||
|
|
|
xi + fi (x, θ , θ |
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
j =1 |
|
|
|
|
|
|
|
|
|
|
|
оптимальными в смысле минимума функционала |
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
tk |
|
|
|
1 tk m u2j + u |
2j оп |
|
|
|
||||||
|
|
I =V3 x(tk ) + ∫Q(x, t)dt + |
|
|
∫∑ |
|
|
|
|
|
dt |
|
|||||||||
|
|
2 |
|
k |
2 |
|
|
|
|||||||||||||
|
|
|
|
|
|
|
t0 |
|
|
|
t0 j =1 |
j |
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
являются управления |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
∂V |
|
|
|
|
|
|
|
|
|
|
|
u j = u j оп = −k 2j ∑ϕk j (x, t) |
, |
|
|
|
|
||||||||||
|
|
|
|
|
|
∂xk |
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
k =1 |
|
|
|
|
|
|
|
|
|
||
где V =V (x, t) – решение уравнения |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
∂V |
|
n |
∂V |
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
− ∑ fi |
= −Q , |
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
∂t |
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
i=1 |
∂xi |
|
|
|
|
|
|
|
|
|
|
||
при граничном условии V |
=V , |
f |
j |
, |
ϕ |
ij |
, Q, V |
– заданные непрерывные функции, k 2 |
> 0 – заданные ко- |
||||||||||||
t =tk |
з |
|
|
|
з |
|
|
|
|
|
|
|
|
|
|
|
j |
|
эффициенты.
Темп интегрирования, характеризуемый величиной χ , должен быть таков, чтобы за каждый цикл ∆tц осуществлялось достаточное число "прогонок" свободного движения на интервале tk −t , необходи-
мое для численного определения частных производных ∂V . В этом случае
∂xi
τ2 |
=t2 / χ |
V (x(τ)) =V3 (xM (τk )) + χ |
∫Q(xM , χτ)dτ. |
τ=t / χ |
|
Сформулированные согласно (4.66) управления подаются на объект |
|
& |
|
x + f (x, t) = ϕu |
и остаются неизменными в течение определенного цикла ∆tц.
Описанный алгоритм с прогнозирующей моделью с точность до ошибок, связанных с дискретизацией во времени, ошибок интегрирования уравнений свободного движения (ошибок модели), ошибок датчиков и ошибок численного дифференцирования для определения проекций градиента является точным алгоритмом. Это означает, что если указанные ошибки стремятся к нулю, то формируемые управления стремятся к строго оптимальным в смысле минимума критерия обобщенной работы. Однако при практическом осуществлении каждая из перечисленных ошибок играет определенную роль. В частности, при больших интервалах оптимизации существенное вредное влияние могут оказывать ошибки численного интегрирования уравнения свободного движения. При этом уровень этих ошибок может сильно зависеть от того, что принимается за свободное движение и каково, стало быть, уравнение прогнозирующей модели.
В описанном варианте алгоритма за свободное движение объекта принималось движение при u = 0 , т.е. движение при нейтральных, нулевых положениях органов управления. Лучшие результаты в смысле точности моделирования свободного движения можно ожидать в том случае, когда под свободным движением понимается движение при фиксированных положениях органов управления, причем эти положения соответствуют управлениям, вычисленным на предшествующих циклах оптимизации.
Рассмотрим соответствующий вариант алгоритма оптимального управления с прогнозирующей моделью. Уравнения управляемого процесса записываются в виде
|
|
1 |
|
|
2 |
|
|
|
|
|
& |
, ... , xn |
|
) = 0, |
i =1, n, |
||||||
xi + fi (x1 |
, y1, ... , yr , θ , θ |
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
& |
= u j , j =1, r, |
|
|
|
|
|
|||
|
y j |
|
|
|
|
|
где y = ( y1, ... , yn ) – вектор органов управления; u = (u1, ... ,ur ) – вектор управления. Таким образом, в дан-
ном случае осуществляется управление скоростями перемещения органов управления.
Отмечая, что свободное движение воспроизводится прогнозирующей моделью в ускоренном времени, записываем
dxdτM + χ f (xM , yM , θ1, θ2 ) = 0, dydτM = 0.
Вначале каждого цикла ∆tц переменные состояния процесса вводятся в прогнозирующую модель.
Вданной задаче имеем расширенный вектор состояния (x, y) . Для численного определения частных
производных ∂V осуществляем варьирование начальных условий по yM в каждом запуске прогнози-
∂y j
рующей модели.
Для преобразования данного алгоритма в алгоритм нетерминального управления необходимо осуществить переход к скользящему интервалу оптимизации, при котором tk = t + ∆T , где ∆T – заданная
длина интервала оптимизации. При этом определение tk осуществляется из условия достижения, на-
пример, выхода целевых продуктов заданного (максимального) значения.
Наиболее трудоемкой операцией в алгоритме с прогнозирующей моделью является численное интегрирование уравнений свободного движения, выполняемое в каждом цикле r +1 раз. Предположим, что для численного интегрирования с достаточной точностью уравнений свободного движения (4.63) на начальном интервале оптимизации tk −t необходимо M операций. Интервал интегрирования с каждым
тактом сокращается (при фиксированном моменте времени tk ) и среднее число операций однократного интегрирования (при достаточно большом числе циклов) будет равным 0,5M . Обозначим общее число циклов, на которые разбит интервал оптимизации (tk −t) через nц . Тогда общее число операций, необхо-
димых для решения задачи синтеза оптимального управления выражается формулой ~ 12 nц(r +1)M.
4.5 Применение метода имитационного моделирования для
интегрированного проектирования технологических процессов, аппаратов и систем управления при наличии
неопределенности исходной информации
Имитационное моделирование на ЭВМ реальных объектов представляет собой метод получения необходимой информации в ходе проведения вычислительного эксперимента [8]. Основная цель имитационного моделирования заключается в возможно более глубоком изучении поведения исследуемого объекта с использованием стохастической модели при наименьших затратах. При построении стохастических имитационных моделей необходимо обеспечить возможность генерирования случайных чисел и процессов в соответствии с заданными законами распределения вероятностей случайных факторов для исследуемого процесса. Подлежащее ранжированию распределение вероятностей может быть основано на результатах эксперимента, либо представлять собой известное теоретическое распределение (нормальное, равномерное и др.).
При моделировании сложных химических процессов и аппаратов в условиях неопределенности исходной информации получить необходимый объем данных для идентификации закона распределения вероятностей неопределенных параметров крайне сложно, поскольку требует проведения большого количества экспериментов. В этом случае вывод о принятие гипотезы относительно законов распределения неопределенных параметров можно сделать только на основе экспертных оценок.
Имитационная модель химического процесса представляет собой аналитическую математическую модель со случайными параметрами θ , генерируемыми на ЭВМ в соответствии с заданными законами распределения вероятностей этих случайных параметров. Чаще всего принимается равномерный закон распределения параметров θ , для которых известен интервал их возможного изменения θL ≤ θ ≤ θU .
Рассмотрим реализацию алгоритма 2 в п. 4.3. с использованием метода имитационного моделирования. В этом алгоритме применяются две модели проектируемого ХТП: детерминированная модель –(d, z, θ) и стохастическая модель – c (d, z, θ) . Детерминированная модель используется для решения
задачи НЛП при определении оптимальных значений векторов проектных параметров d * и режимных (управляющих) переменных z* , а стохастическая модель c (d, z, θ) служит для вычисления вероятност-
ных интегралов от функций ограничений методом Монте-Карло [66]. На рис. 4.5 представлена блок схема реализации алгоритма 2 (п. 4.3) с использованием метода имитационного моделирования. Решение одно- и двухэтапных задач оптимального проектирования ХТП, аппаратов и систем управления на заключительном этапе проектирования осуществляется методом имитационного моделирования.
Известно [69 – 72], что задача многокритериального проектирования может быть либо сведена к однокритериальной методом упорядочения векторных критериев при помощи обобщенной функции цели [119], либо решена методом исследования пространства параметров, в котором осуществляется "зон-
1 |
|
|
Выбор типа аппарата a и класса (структуры)b из допустимых |
||
|
|
множеств Aдоп , Bдоп |
Алгоритм решения задачи многокритериальной опти- |
||
мизации конструктивных и режимных параметров |
||
2 |
|
|
Решение одноили двухэтапной задачи оптимизации и опреде- |
||
ленияd * D (Aдоп ) с использованием алгоритмов 2,3 и метода |
||
|
имитационного моделирования |
|
3 |
|
|
Вычисление технико-экономических показателей, составляю- |
||
|
щих векторный критерий I (•) |
|
4 |
|
|
Синтез оптимального управления или расчет оптимальных зада- |
||
ний и настроек регуляторам АСР и вычисление показателей ка- |
||
чества переходных процессов для различных классов систем |
||
|
|
управления |
Нет |
5 |
Критерии |
статической и динамической |
||
|
оптимизации удовлетворяют |
|
|
|
требованиям |
|
|
ТЗ? |
6 |
|
Да |
|
|
|
Запоминание допустимого проекта комплекса “ХТП – |
||
|
аппарат - система управления” |
|
Нет |
7 |
Все ли |
|
альтернативы |
||
|
|
||
|
|
|
исчерпаны? |
8 |
|
|
Да |
Попарное сравнение альтернатив по векторному критерию и выбор наиболее предпочтительного варианта
Рис. 4.6 Итерационная процедура многокритериальной оптимизации комплекса "ХТП – аппарат – система управления"
Вычисление IiCCO и вероятностей выполнения технологических условий Bepθ[g j (d, z, θ) ≤ 0]≥ ρзад будем осуществлять методом Монте-Карло по схеме, изображенной на рис. 4.7.