- •4.12. Кривизна плоской кривой. Эволюта и эвольвента
- •4.13. Формула Тейлора7
- •Вопросы
- •4.14. Остаточный член формулы Тейлора в форме Лагранжа
- •4.15. Представление некоторых функций по формуле Тейлора
- •4.16. Приложения формулы Тейлора к исследованию функций
- •4.16.1. Главная часть бм
- •Вопросы
- •4.16.2 Возрастание и убывание функции
- •4.16.3. Экстремумы функции
- •4.16.4. Выпуклость и вогнутость кривой
- •4.16.5. Точки перегиба кривой
- •Вопросы
- •4.17. Формула Тейлора для числовой функции нескольких переменных
- •4.18. Локальные экстремумы функции нескольких переменных
- •4.19. Аппроксимация опытных данных по методу наименьших квадратов
- •4.20. Производная скалярного поля по направлению. Градиент
- •Вопросы
- •Задание для самостоятельного решения
- •4.21. Понятие о приближенных методах поиска локальных экстремумов
- •4.21.1. Релаксационный13 метод
- •4.21.2. Градиентный метод
- •4.21.3. Метод крутого восхождения (наискорейшего спуска)
- •4.21.4. Метод последовательного поворота симплекса
- •4.22. Условные экстремумы числовой функции нескольких переменных
- •4.23. Глобальные экстремумы числовой функции нескольких переменных
- •Задание для самостоятельного решения
- •4.24. Формулировка задачи линейного программирования
- •4.25. Понятие о задачах нелинейного и целочисленного программирования
- •4.26. Дифференциал и производная вектор-функции скалярного аргумента
- •Задание для самостоятельного решения
- •4.27. Кривизна пространственной кривой
- •Вопросы
- •Задание для самостоятельного решения
4.21.2. Градиентный метод
Градиентный метод основан на том, что направление градиента функции соответствует направлению ее скорейшего возрастания. В связи с этим при поиске максимума целесообразно движение по градиенту на некоторый отрезок (шаг).
Затем следует определить новое направление градиента и т.д. Схематически движение по градиенту для целевой функции показано на рис. 4.21.2.
Алгоритм движения по градиенту состоит в следующем:
вычисление градиента в k-той точке
выбор шагового параметра tk и движение по градиенту до точки
Выбор шага tk производится неалгоритмически. С ростом k значение tk надо уменьшать. Критерием правильного выбора величин является увеличение значений целевой функции в последовательно рассматриваемых точках. Начальная точка берется произвольно.
Как и в релаксационном методе, здесь не нужно решать систему уравнений, а достаточно уметь вычислять значения целевой функции и ее градиента.
4.21.3. Метод крутого восхождения (наискорейшего спуска)
Э тот метод соединяет черты релаксационного и градиентного методов- рис. 4.21.3.
Запишем алгоритм этого метода для функции n переменных
1) вычисление градиента в k-той точке
(на рис. 4.21.3 это точки 1 = 2 = 3 =
2) выбор шагового параметра tk и движение по направлению градиента от точки k до точки k +1, в которой значение целевой функции максимально.
Например, при движении из точки 1 последовательно вычисляются значения целевой функции в точках с координатами
причем движение продолжается до получения наибольшего значения
f ( ) < f ( ) < f ( ) < f ( ) < f ( ) > f ( ).
Для отыскания минимума функции идут в направлении (–grad u) (почему?).
При решении практических задач метод крутого восхождения оказывается, как правило, выгоднее релаксационного и градиентного.
В тех случаях, когда аналитическое выражение целевой функции неизвестно, градиент можно вычислять, измерив значения функции в нескольких точках, взятых вблизи k-той точки. Такая модификация метода крутого восхождения была предложена американскими математиками Боксом и Уилсоном и носит их имя.
4.21.4. Метод последовательного поворота симплекса
В пространстве Rn можно ввести понятие симплекса – правильного (n+1) – гранника. Например, в R2 симплекс представляет собой правильный треугольник, в R 3 – тетраэдр.
Алгоритм метода очень прост и состоит в том, что зная значения целевой функции в вершинах симплекса, переходят к новому симплексу, который получается из предыдущего симметричным отображением относительно грани, противолежащей по отношению к вершине с наименьшим значением целевой функции. Схема метода для R2 показана на рис.4.21.4. Формулы для «переворота» симплекса приведены в книге: Винарский М.С., Лурье М.В. Планирование эксперимента в технологических исследованиях, Киев, «Техника», 1975.
Внешне метод похож на градиентный. Применение метода может осложняться зацикливанием и совпадением двух значений (в последнем случае возникает проблема выбора грани, относительно которой следует переворачивать симплекс).
Большое число других методов оптимизации рассмотрено в книге: Кузин Т.Л. Основы кибернетики. Т.1, Математические основы кибернетики. М., “Энергия”, 1973г.