Лабораторная работа #2
.doc
САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ
ЭЛЕКТРОТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ
КАФЕДРА МО ЭВМ
Дисциплина: Методы оптимизации
ОТЧЕТ
по лабораторной работе №2
«Исследование методов условной минимизации»
Выполнили студенты гр. 3352
Воронин С.Ю.
Сергеев М.В.
Проверил: Балтрашевич В.Э.
Санкт – Петербург
2005
1. Формулировка задания
Для функции f(x1, x2) = (x1 – b)4 + a*(x2 + 3 -b)4 провести исследования следующих методов условной минимизации:
-
Метод проекции градиента
-
Метод условного градиента
-
Метод функции Лагранжа
для следующих значений параметра a: 0.1; 1;
для следующих значений параметра b: 0; 3;
для следующих начальных точек: (3; 8); (3; 10); (10; 20)
2. Математическая постановка задачи
2.1 Метод проекции градиента
Метод проекции градиента является обобщением градиентного метода для задачи условной минимизации с выпуклым допустимым множеством. Так как возможен выход за пределы допустимого множества, то вводится операция проектирования на X (поиск ближайшей точки на X).
xk+1= px (xk- f(xk)), где px проектор на X.
2.2 Метод условного градиента
В очередной точке xk линеаризуют функцию f(x) (в этом «условность» метода, то есть линеаризация и есть «условие» в названии). Затем решают задачу min линейной функции на X и найденную точку используют для выбора направления движения.
При этом предполагается:
-
Задача минимизации линейной функции на X имеет решение.
-
Это решение может быть найдено достаточно просто, лучше всего в явной форме.
-
Нужно указать правило выбора k. Можно k определить из условия наискорейшего спуска :
В этом случае последовательность xk сходится к специальной точке. В частности для гладких функций f верно: f(x*)- f* = o(1/k), где f* = min f(x) на множестве X.
2.3 Метод функции Лагранжа
Функцией Лагранжа в ЗВП называется функция
(x ,) = f(x)+ f(x) + (,g(x)), где i0.
Выше была доказана теорема о седловой точке:
Если выполняется соотношение
(x* , ) (x* ,*) (x ,*) xRn, 0,
то точка x* является оптимальной точкой задачи выпуклого программирования.
Это соотношение можно записать иначе:
(*) (x* ,*) = (x ,) = (x ,) = f(x*)
Если назвать x прямыми переменными, а двойственными, то видно, что прямые и двойственные переменные равноправны.
Теорема Куна- Таккера позволяет исходную задачу заменить задачей отыскания седловой точки функции Лагранжа, то есть задачи вида (x ,).
Метод модифицированной функции Лагранжа.
Метод сходится к (x* ,*) со скоростью геометрической прогрессии.
-
Испытания методов оптимизации
Метод условной оптимизации |
Метод безусловной оптимизации |
Количество шагов |
Точка минимума |
Начальная точка |
Значение параметра а |
Значение параметра b |
Метод проекции градиента
|
Градиентный с дроблением шага |
2 |
(0; 0) |
(3; 8) |
0.1 |
0 |
Наискорейшего спуска |
9 |
|||||
Ньютона с одномерной минимизацией |
Не удалось найти минимум |
|||||
Полака Ривьера
|
19 |
|||||
Метод условного градиента
|
--- |
3 |
(0; 0) |
(3; 8) |
0.1 |
0 |
Метод функции Лагранжа
|
--- |
|
(0; 0) |
(3; 8) |
0.1 |
0 |
Метод проекции градиента
|
Градиентный с дроблением шага |
9 |
(0; 0) |
(3; 10) |
0.1 |
0 |
Наискорейшего спуска |
3 |
|||||
Ньютона с одномерной минимизацией |
Не удалось найти минимум |
|||||
Полака Ривьера
|
181 |
|||||
Метод условного градиента
|
--- |
2 |
(0; 0) |
(3; 10) |
0.1 |
0 |
Метод функции Лагранжа |
--- |
|
(0; 0) |
(3; 10) |
0.1 |
0
|
Метод условной оптимизации |
Метод безусловной оптимизации |
Количество шагов |
Точка минимума |
Начальная точка |
Значение параметра а |
Значение параметра b |
Метод проекции градиента
|
Градиентный с дроблением шага |
9 |
(0; 0) |
(10; 20) |
0.1 |
0 |
Наискорейшего спуска |
3 |
|||||
Ньютона с одномерной минимизацией |
|
|||||
Полака Ривьера
|
175 |
|||||
Метод условного градиента
|
--- |
2 |
(0; 0) |
(10; 20) |
0.1 |
0 |
Метод функции Лагранжа
|
--- |
|
(0; 0) |
(10; 20) |
0.1 |
0 |
Метод проекции градиента
|
Градиентный с дроблением шага |
48 |
(2.56; 0.60) |
(10; 20) |
1 |
3 |
Наискорейшего спуска |
301 |
|||||
Ньютона с одномерной минимизацией |
1 |
|||||
Полака Ривьера |
Не удалось найти минимум |
|||||
Метод условного градиента
|
--- |
91 |
(2.56; 0.60) |
(10; 20) |
1 |
3 |
Метод функции Лагранжа
|
--- |
~400 |
(2.56; 0.60) |
(10; 20) |
1 |
3 |
4. Сравнительный анализ методов оптимизации
Метод проекции градиента объединяет преимущества градиентного метода и при совместном использовании с градиентным методом с дроблением шага (или методом наискорейшего спуска) очень быстро сходится.
Метод условного градиента также быстро сходится, но требует более существенных вычислительных затрат.
Вывод: Были исследованы алгоритмы условной минимизации гладких функций, проведен их сравнительный анализ.