![](/user_photo/2706_HbeT2.jpg)
- •60Путей сообщения (миит)
- •Математические модели и методы в инженерных расчетах
- •Введение
- •1.Математические модели
- •1.1Модель процесса проектирования
- •1.2Теория вероятностей
- •1.3 Математическая статистика
- •1.4Сортировка
- •1.5Интерполяция табличных зависимостей
- •1.6Аппроксимация.
- •1.6.1Метод наименьших квадратов для многочленов
- •1.6.2 Полиномиальная аппроксимация
- •1.6.3Линейная аппроксимация
- •1.7Сглаживание данных
- •1.8Предсказание (экстраполяция функции)
- •1.9 Рис. 1.14 Экстраполяция функции. Численное дифференцирование
- •1.10Вычисление определенного интеграла
- •1.11Численное решение дифференциальных уравнений
- •1.12Моделирование рельефа местности
- •1.13 Рис. 1.19 Цифровая модель рельефа и продольный профиль земли по заданному направлению Моделирование продольного профиля и плана при реконструкции железных дорог
- •2.Математические методы
- •2.1Реализация численной модели на эвм
- •2.2Целевая функция. Ограничения
- •2.3Оптимизация без ограничений
- •2.3.1Прямой одномерный поиск
- •2.4Прямой многомерный поиск
- •2.4.1Градиентные методы
- •2.5 Рис. 2.35 Градиентный метод. Оптимизация с ограничениями.
- •2.6Линейное программирование
- •2.7Нелинейное программирование
- •2.8Графы
- •2.9Метод динамического программирования.
- •2.10Поиск кратчайшего пути в графе
- •2.11Экономические аспекты автоматизированного проектирования.
- •2.12Проблемы программных реализаций.
- •Программного обеспечения.
- •1. Математические модели 4
- •2. Математические методы 41
- •Екатерина Александровна Рыжик
2.4.1Градиентные методы
Рассмотрим функцию n переменных f(x1,x2,...,xn)=f(X).
Градиент
- вектор компонентов
,
обозначаемый обычно
.
В методе покоординатного спуска осуществляется поиск минимума по фиксированным направлениям. Кажется разумным попытаться модифицировать этот метод таким образом, чтобы на каждом шаге поиск точки оптимума производился вдоль «наилучшего» направления. При этом известно, что направление градиента является направлением наискорейшего возрастания функции. Следовательно, противоположное направление является направлением наискорейшего убывания функции (направление проекции градиента в любой точке перпендикулярно линии постоянного уровня целевой функции, рис. 2.9).
Рис. 2.34
Проекция градиента.
и формировании вектора смещений по осям
(X)=x1,
x2,...,
xn
пропорционально их величине, b2=
b1+(X).
Повторяя данную процедуру, можно придти
в точку минимума по кратчайшему пути
(рис.2.10).
2.5 Рис. 2.35 Градиентный метод. Оптимизация с ограничениями.
Общая задача оптимизации с ограничениями является очень сложной и до сих пор не имеет общего решения (решена для частных случаев).
Для многих задач характерны линейные ограничения, которые формируют выпуклую допустимую область изменения управляемых. Область называется выпуклой, если отрезок прямой, соединяющий любые две ее точки, принадлежит этой области. Область, показанная на рис.2.10.а - выпуклая, а на рис.2.10.б - невыпуклая.
Для выпуклых (вогнутых) целевых функций существует единственное оптимальное решение. При выпуклой допустимой области изменения управляемых переменных единственность оптимального решения сохраняется и его можно найти.
При невыпуклой допустимой области даже выпуклая целевая функция, имеющая одну точку минимума при отсутствии ограничений, может стать многоэкстремальной (точки А и В на рис. 2.10.б), что существенно осложняет решение оптимизационной задачи.
Рис. 2.36
Выпуклая и невыпуклая допустимая
области
Функция P(Х) является штрафной. Необходимо, чтобы при нарушении ограничений она «штрафовала» функцию F(X), то есть увеличивала ее значение. В этом случае минимум F(X) +P(X) будет находиться внутри области ограничений.
Функцию P(Х) можно представить различным образом, например:
,
где r
- положительное число,
-
нарушение ограничения по i
-й переменной.
Если X принимает только допустимые значения, для которых P(X)=0, то функция Z принимает значения, равные соответствующим значениям F (истиной целевой функции данной задачи). Но если X принимает значения, которые не являются допустимыми, значения функции Z и, следовательно, значения функции F становятся очень велики.
Рис. 2.37
B
- минимум функции F(xi)
без ограничений, A
- то же,
с ограничениями
Формально метод штрафных функций решает все проблемы, однако при практической его реализации встречаются серьезные трудности: медленная сходимость, ненадежность и грубость результатов. При этом, для ряда задач оптимизации в силу характерных особенностей целевой функции и ограничений можно реализовать поиск оптимального решения без выхода за границу допускаемой области. Для задач такого типа (очень распространенных) были разработаны специальные методы оптимизации.