- •Глава 6. Постановки задачи нелинейного программирования (знп) и основные определения…………………………...3
- •Глава 7. Задача одномерной оптимизации…………………………………….13
- •Глава 8. Графический метод решения знп…………………………………...33
- •Глава 10. Выпуклое программирование……………………………………....62
- •Глава 11. Квадратичное программирование…………………………………74
- •Глава 12. Задача безусловной оптимизации (збо)…………………………………………………………………..81
- •Глава 13. Задача условной оптимизации (зуо)……………………….……127
- •Глава 6.
- •6.1. Задача нелинейного программирования (знп) и ее постановки.
- •6.2. Основные определения.
- •6.3. Классификация знп.
- •6.4. Классическая оптимизация.
- •Глава 7. Методы одномерной оптимизации
- •Постановка задачи. Основные понятия
- •7.2. Поиск отрезка, содержащего точку максимума Алгоритм Свенна
- •Методы нулевого порядка.
- •Дихотомический поиск (метод деления отрезка пополам)
- •Метод золотого сечения
- •Метод дск-Пауэлла
- •7.4. Методы первого порядка.
- •Метод средней точки
- •Метод хорд (секущих)
- •Метод кубической аппроксимации
- •7.5. Методы второго порядка. Метод Ньютона-Рафсона
- •Итерация 1
- •Глава 8. Графический метод решения знп.
- •8.1. Алгоритм графического метода решения знп
- •8.2. Решение примеров.
- •Выпуклые и вогнутые функции
- •9.1. Определения
- •9.2. Свойства вогнутых (выпуклых) функций
- •9.3. Критерии вогнутости (выпуклости) гладких функций
- •9.4. Экстремальные свойства вогнутых (выпуклых) функций
- •9.5. Сильно вогнутые (выпуклые) функции
- •9.5.1. Определение. Примеры
- •9.5.2. Свойства сильно вогнутых (выпуклых) функций
- •9.5.3. Критерии сильной вогнутости (выпуклости)
- •9.5.4. Экстремальные свойства сильно вогнутых (выпуклых) функций
- •Глава 10. Выпуклое программирование
- •10.1. Постановка задачи
- •10.2. Функция Лагранжа. Седловая точка функции Лагранжа, условия ее существования Определение 10.1. Функция , (10.10)
- •10.3. Достаточные условия оптимальности
- •10.4. Условия регулярности выпуклого множества
- •10.5. Теорема Куна-Таккера. Общий случай
- •10.6. Теорема Куна-Таккера. Случай линейных ограничений
- •Глава 11. Квадратичное програмирование.
- •11.1. Постановка задачи квадратичного программирования (зкп)
- •11.2. Применение теории Куна-Таккера к решению зкп.
- •11.3. Решение задач.
- •Глава 12. Методы безусловной оптимизации
- •12.1. Постановка задачи
- •Алгоритм метода спуска
- •. Методы нулевого порядка (прямого поиска)
- •Метод Хука-Дживса
- •Алгоритм метода Хука-Дживса, использующий одномерный поиск
- •Метод покоординатного спуска
- •Первый вариант
- •Второй вариант
- •Методы первого и второго порядков
- •Градиентные методы. Метод скорейшего спуска – метод Коши
- •Метод Ньютона
- •Модифицированный метод Ньютона
- •Методы, использующие сопряженные направления
- •Определение сопряженных направлений
- •Оптимизация квадратичной функции. Конечная сходимость алгоритмов, использующих сопряженные направления
- •12.4.4. Метод Дэвидона-Флетчера-Пауэлла Шаг 1.Метод Дэвидона-Флетчера-Пауэлла (дфп) принадлежит к классу квазиньютоновских методов, в которых направление поиска задаётся в виде
- •Алгоритм метода дфп
- •Итерация 1
- •Шаг 2. Вычислим , тогда .
- •Шаг 2. Вычислим , тогда .
- •12.4.5. Метод сопряжённых градиентов Флетчера-Ривса
- •Алгоритм метода Флетчера-Ривса
- •Глава 13. Методы условной оптимизации
- •13.1. Постановка задачи. Классификация методов
- •Общая схема методов условной оптимизации
- •Шаг 2.Шаг 1. Выбрать ( -я итерация) – возможное направление подъёма функции в точке . Если такого направления нет, то - решение задачи. В противном случае перейти к шагу 2.
- •13.2. Методы возможных направлений
- •13.2.1. Метод Зойтендейка
- •Пример 13.2
- •Итерация 3
- •Шаг 4.Рисунок 13.6
- •13.2.2. Метод Топкиса-Вейнотта
- •Пример 13.3
- •Итерация 1
- •Шаг 5.Рисунок 13.7
- •Алгоритм метода Топкиса-Вейнотта
- •13.2.3. Метод Франка-Вульфа
- •Алгоритм метода Франка-Вульфа
- •Шаг 5. Находим шаг в направлении новой точки . Решение этой задачи (одномерной): .
- •Шаг 3. Так как , переходим к шагу 4.
- •Шаг 5. Решаем задачу: .
- •Литература
Шаг 4.Рисунок 13.6
13.2.2. Метод Топкиса-Вейнотта
Рассмотренные в начале параграфа 13.2 основной алгоритм метода возможных направлений и пример 13.1 в последовательно получаемых подзадачах выбора направления на каждой итерации используют множества активных ограничений . С вычислительной точки зрения для постановки задачи (шаг 4 основного этапа) удобнее использовать только часть ограничений, так как ЗЛП выбора направления оказывается меньшей размерности. А учитывая только активные ограничения для данной доступной точки, получим зигзагообразный процесс, ухудшающий сходимость. Рассмотрим пример такого ухудшения, решая задачу с использованием основного алгоритма.
Пример 13.3
при условиях
,
.
Определим функции:
.
Начальный этап. .
Основной этап.
Итерация 1
.
, следовательно, для нахождения возможного направления подъёма функции в точке решаем ЗЛП при условиях:
.
Иначе:
.
Решение этой задачи: , , .
Решаем одномерную задачу:
.
Очевидно, что . Отсюда .
Итерация 2
.
, следовательно, переходим к решению задачи
решение этой задачи: , , и т. д. Ход решения задачи представлен на рис. 13.7.
Шаг 5.Рисунок 13.7
Движение от к происходит внутри допустимой области, но не будет достигнута верхняя граница для .
Таким образом, учёт лишь множества активных ограничений может не только замедлить процесс поиска решения, но и привести к сходимости к различным точкам. Такая ложная сходимость называется явлением заедания в методе возможных направлений. Это явление обусловлено тем, что получаемый на каждой итерации шаг становится всё короче и короче, а вектор направления колеблется между близлежащими границами. Шаги становятся короче не потому, что в результате одномерного поиска находится оптимальное решение, а потому, что пересекается близлежащее ограничений, которое не учитывалось в подзадаче выбора направления.
Как один из способов устранения явления заедания применяется подход, в котором активные ограничения вовсе не участвуют. Такой подход используется в методе Топкиса-Вейнотта.
Алгоритм метода Топкиса-Вейнотта
Начальный этап. Выбрать начальную точку . положить .
Основной этап.
Шаг 1. Решить ЗЛП:
(13.18)
при условиях
,
, , (13.19)
, ,
- решение этой задачи.
Шаг 2. Если , то - решение задачи.
Шаг 3. Определить , решая задачу одномерной оптимизации:
,
где .
Шаг 4. Положить , и перейти к шагу 1.
Очевидно, что отличие от основного алгоритма возможных направлений состоит в подзадаче выбора направления.
Рассмотрим решение примера 3.3 с помощью метода Топкиса-Вейнотта.
Пример 13.4.
.
Начальный этап. , .
Основной этап.
Шаг 1. , , , , .
Решаем задачу:
при условиях
.
Решение этой задачи:
, , .
Шаг 2. Так как , то переходим к шагу 3.
Шаг 3. Решаем задачу:
.
Определим :
.
Решение задачи: , .
Шаг 4. Положить . и перейти к шагу 1 на итерацию 2.
Продолжая итерационный процесс, на третьей итерации получаем оптимальное решение. Ход решения этой задачи изображён на рис. 13.8.
Рисунок 13.8
Очевидно, что скорость сходимости в этом случае значительно лучше, чем скорость сходимости в примере 13.3, где использовался основной алгоритм метода возможных направлений.