- •2.1. Характеристика и классификация аналитических методов оптимизации
- •2.2. Характеристика и классификация поисковых методов оптимизации
- •2.3. Основные требования к методам оптимизации
- •2.4. Характеристика этапов проектирования электромеханических устройств и систем
- •2.5. Аналоги объектов проектирования. Основные и неосновные показатели
- •2.6. Процедура поиска аналогов
- •2.7. Преобразование аналогов. Получение проектных решений
- •2.8. Характеристика оптимизации электромеханических устройств и систем методами пассивного поиска
- •2.9. Метод сканирования
- •2.10. Метод статистических испытаний
- •2.11. Метод –поиска
- •2.12. Характеристика оптимизации электромеханических устройств и систем методами направленного поиска. Метод градиента
- •2.13. Метод случайного поиска
- •2.14. Метод покоординатного поиска
- •Литература
2.13. Метод случайного поиска
Этот метод, как и метод градиента, по принятой классификации относится к группе одноэтапных методов, применение которых характеризуется одновременным изменением всех параметров оптимизации на каждом рабочем шаге. В литературе рассматриваемый метод носит также названия метода возможных направлений или случайного поиска.
В соответствии с этим методом:
из некоторой точки в пространстве параметров делается несколько пробных шагов в случайных направлениях;
приращения функции цели, полученные на каждом пробном шаге, сравниваются, определяется направление, в котором улучшение функции цели наибольшее и которое принимается в дальнейшем за приближение к градиенту Q;
в этом направлении выполняется рабочий шаг, который переводит изображающую точку в положение ;
действия по определению случайного градиента повторяются в окрестности новой точки.
Таким образом, в отличие от метода градиента в данном алгоритме:
направление поиска определяется не градиентом функции цели, а наиболее удачным из пробных шагов, выполненных из k-й точки в случайных направлениях; при этом координаты текущей изображающей точки в пространстве нормированных параметров вычисляются по формуле:
. |
(2.26) |
где – проекция наиболее удачного пробного шага на ось xi, –размер пробного шага;
для формирования направлений пробных шагов здесь так же, как и в методе статистических испытаний, нужен датчик случайных чисел; это обстоятельство определяет особенности построения алгоритма реализации данного метода в сравнении с методом градиента; в общем случае количество необходимых пробных шагов определяется из требования равномерного исследования -окрестности вокруг изображающей точки, часто оно выбирается равным 5.
В остальном процесс поиска экстремума функции цели здесь идентичен поиску по методу градиента и ему в равной мере присущи все особенности метода градиента.
Если число пробных шагов принимается меньшим, чем количество параметров оптимизации n, то при определении направления поиска получается выигрыш по числу обращений к модели объекта проектирования для вычисления значений Q в сравнении с методом градиента. Однако уменьшение числа пробных шагов приводит к соответствующему уменьшению вероятности приближения к направлению градиента, а, следовательно, к возможному увеличению количества рабочих шагов по определению экстремума функции цели.
2.14. Метод покоординатного поиска
Этот метод является типичным представителем группы многоэтапных методов поисковой оптимизации и известен также под названиями метода покоординатного улучшения функции цели и метода Гаусса-Зейделя, а его алгоритм представляет собой реализацию метода Гаусса-3ейделя. В соответствии с данным методом поиск на каждом этапе производится поочерёдно по каждому параметру при зафиксированных значениях всех остальных:
посредством пробных шагов определяется направление преимущественного улучшения функции цели при изменении одного параметра;
в выбранном направлении выполняются рабочие шаги h до тех пор, пока не будет найдено местоположение частного экстремума функции цели, причём значение изменяемого параметра фиксируется;
осуществляется переход на другую координатную ось и поиск экстремума Q повторяется в той же последовательности при изменении следующего параметра; здесь, так же как и в других методах направленного поиска, при достижении экстремума или при приближении к границе допустимой области производится деление рабочего шага пополам.
Условием окончания поиска по методу Гаусса-Зейделя, как и для всех методов направленного поиска, является невозможность улучшения значения функции цели при перемещении из текущей точки на рабочий шаг, значение которого уменьшено до некоторого положительного заранее заданного малого числа , по каждой из координат. Точность определения локального экстремума по данному методу вычисляется по (2.24).
При отсутствии ограничений описанный процесс поиска позволяет определить приближение к локальному экстремуму функции цели, в окрестности которого находится начальная точка поиска. В условиях действия ограничений при определённом взаимном расположении линий равного уровня Q и ограничений поиск может закончиться при первом достижении границы допустимой области S, когда из текущей точки не удается сделать шага по любой координате, не ухудшив значения функции цели. В итоге поиск будет окончен далеко от действительного местонахождения экстремума Q, и цели оптимизации не будут достигнуты.
К особенностям построения алгоритма метода покоординатного поиска следует отнести искусственное сведение исходной многопараметрической задачи оптимизации к однопараметрической на каждом шаге направленного поиска, что
упрощает поиск частных экстремумов Q по каждой координате;
позволяет организовать алгоритм, в основе которого лежит циклический участок программы, по общему правилу определяющий местоположение частных экстремумов Q по каждому параметру.