- •1. Характеристика основных подходов к задачам оптимизации
- •1.1. Модельный подход к постановке и решению задачи оптимизации
- •1.1.1 Применение математической модели оптимизации
- •1.2. Применение физической модели объекта оптимизации
- •1.1.3 Совместное применение (комбинирование) физической и математических моделей
- •1.1.4 Инженерный метод решения практических задач оптимизации
- •1.2. Варианты натурно-модельного подхода к задачам оптимизации
- •1 .2.1. Оптимизация на базе натурно-модельных блоков пересчетными моделями
- •1.2.2. Оптимизация на базе натурного объекта и частичной физической модели
- •1.2.3. Оптимизация на базе совместно использования натурной части о. О.(объекта оптимизации), частичной физической модели оо и частичной математической модели оо
- •1.3. Натурный подход к оптимизации
- •2. Известные математические описания. Модели. Задачи оптимизации
- •2.1 Удовлетворенческая (ограничительная) математическая модель (схема) оптимизации
- •2.2. Математическая постановка (модель) задачи скалярной оптимизации
- •2.3. Математическая постановка (модель) задач векторной оптимизации
- •2.3.5 Способ идеальной точки
- •Коэффициенты важности
- •2.3.6. Отыскание оптимума по Парето
- •2.3.7. Математическая схема (модель) задач нечеткой (размытой) оптимизации
- •2.4 Экспертная система
- •2.5. Процедуры оптимизации решений на основе отбора альтернатив.
- •Классификация задач скалярной оптимизации
- •Некоторые типовые задачи скалярного математического программирования
- •Раздел 3. Некоторые алгоритмы решения задач оптимизации
- •3.1 Поисковые (прямые) алгоритмы оптимизации
- •Алгоритм полного перебора (алгоритм сеток)
- •3.1.2 Алгоритм покоординатного поиска
- •3.1.3 Градиентный алгоритм поиска оптимума с использование реверса (возврата назад)
- •3.1.4 Поиск оптимума в многокритериальном пространстве.
- •3.2 Симплекс-алгоритм решения задачи линейного программирования
- •О методе решения задач злп в случае целочисленности искомых переменных
- •3.3. Алгоритм динамического программирования
- •3.4 Метод последовательного конструирования, анализа и отсеивания вариантов (так называемый киевский веник).
- •3.5 Некоторые алгоритмы теории ...
- •Метод ветвей и границ
- •Оптимизация решений с использованием теории статистических решений (тср)
- •Случай 1.
- •Случай 2
- •Некоторые процедуры Парето-оптимизации
2.2. Математическая постановка (модель) задачи скалярной оптимизации
Решение считается оптимальным, если оно удовлетворяет множеству ограничений (выделяющих область допустимых решений (ОДР))
Решение считается оптимальным, если оно удовлетворяет множеству решений и обеспечивает множество значений заданного критерия оптимальности.
Критерий оптимальности (показатель качества, целевая функция, функция предпочтения, функция полезности, функция потерь и др.) есть функция или функционал (функция от функции), наибольшее или наименьшее значение которого указывает на оптимум.
Q Q → max Q
A
хopt
х
ОДРКритерии оптимальности могут быть технические (кпд, масса, удельный расход сырья и тд), экономические (прибыль, рентабельность, затраты), экологические, критерии безопасности.
Данной математической схеме соответствуют различные математические варианты, практические задачи, которые рассматриваются и решаются теорией скалярной (однокритериальной) оптимизации.
В обобщенном статическом варианте задачу скалярной оптимизации можно записать следующим образом:
Q = Q (A, E, X) → extr
при выполнении условий:
F j (X, E, C) Bj; j=1,m;
где х = {x1, x2, x3, ... xn}, xj < Ωx;
E = {l1, l2, l3, ... ln};
A = {a1, a2, a3, ... an} – вектор коэффициентов персонала;
B = {b1, b2, b3, ... bn} – вектор коэффициентов неравенств;
C = {с1, с2, с3, ... сn} – вектор функций Fj от точки;
Ωx – область допустимых значений вектора.
В динамическом варианте задачу скалярной оптимизации можно представить на примере управления динамическим объектом.
S(∙)
О. У.
U(t) Y(t)
Определить непрерывность вектор-функцию U(t), Y(t), что обеспечивают минимум критерия при выполнении ограничений:
– ограничение I рода;
- ограничения II рода;
Ω – заданные области значений переменных.
y
ΩywT
Ωy0
t
y
ΩuwT
Ω0
Ω u 0 t
to t0+T
F (Y, U, t) – функция, учитывающая, например, расход топлива на управление.
Q max=super
max
int min
ОДР
х
В зависимости от наличия или отсутствия задачи факторов неопределенности Е она относится к одному из следующих 3 видов:
а) задача оптимизации в условиях определенности – вектор Е=Ø;
б) задачи оптимизации в условиях риска. При этом считается, что известен закон распределения вероятностей для вектора Е или для функции некоторого вектора;
в) задачи оптимизации в условиях неопределенности. Здесь предполагается, что известен интервал возможных значений вектора Е.
В зависимости от характера критерия оптимальности, ограничений Q(∙), I(∙). В зависимости от характера искомых переменных Х, Y различают следующие множества задач скалярной оптимизации:
задачи линейного программирования
задачи нелинейного программирования
задачи динамического программирования
задачи целочисленного программирования
задачи стохастического программирования
и др.
Рассмотрим достоинства и недостатки задач скалярной оптимизации.
К числу достоинств оптимизации относятся:
относительная простота;
наличие разработанных и испытанных методик;
наличие прикладных пакетов программ.
К недостаткам данной математической схемы оптимизации относятся:
чувствительность к нарушению предпосылок (условий правильного применения);
данная схема не работает при наличии многих критериев оптимизации;
данная схема не охватывает слабо характеризованные задачи, требующие участия человека.