
- •Что такое «целевая функция»?
- •Что такое «Текущий интервал неопределенности»?
- •Чем отличаются алгоритмы поиска минимума от алгоритмов поиска максимума в задачах оптимизации?
- •4.В чем заключается сущность метода Фибоначчи?
- •5. В чем состоят достоинства и недостатки метода Фибоначи?
- •6. Что такое «золотое сечение»? в чем заключается сущность метода золотого сечения?
- •7.Как связаны между собой метод Фибоначчи и метод золотого сечения?
- •8. В чем заключается достоинство метода золотого сечения?
- •9. В чем заключается сущность аналитических методов оптимизации?
- •10. В чем состоят достоинства и недостатки аналитических методов оптимизации?
- •11. В чем состоит сущность метода равномерного поиска(перебора)?
- •12. В чем состоит сущность метода Гаусса – Зейделя?
- •13. В чем состоят достоинства и недостатки метода Гаусса – Зейделя?
- •14. В чем состоит сущность метода наискорейшего спуска ?
- •15. В чем состоят достоинства и недостатки метода наискорейшего спуска?
- •16. В чем состоит сущность градиентного метода с постоянным шагом ?
- •17. В состоят достоинства и недостатки градиентного метода с постоянным шагом?
- •18. В чем состоит сущность метода Хука – Дживса?
- •19. В чем состоят достоинства и недостатки метода Хука – Дживса?
- •20. Как связаны между собой одномерные и многомерные методы оптимизации?
- •21. В чем состоит сущность метода Нелдера-Мида?
- •22. В чем состоят достоинства и недостатки метода Нелдера-Мида?
- •23. Из каких операций строится метод Нелдера-Мида?
- •24. Что такое «симплекс»?
- •26. В чем состоят достоинства и недостатки прямых методов оптимизации (методов нулевого порядка)? Приведите и кратко опишите известные Вам методы нулевого порядка.
19. В чем состоят достоинства и недостатки метода Хука – Дживса?
Достоинства метода: простая стратегия поиска, вычисление только значений функции, небольшой объём требуемой памяти.
Недостатки: алгоритм основан на циклическом движении по координатам. Это может привести к вырождению алгоритма в бесконечную последовательность исследующих поисков без поиска по образцу.
20. Как связаны между собой одномерные и многомерные методы оптимизации?
21. В чем состоит сущность метода Нелдера-Мида?
Метод Нелдера — Мида, также известный как метод деформируемого многогранника и симплекс-метод, — метод безусловной оптимизации функции от нескольких переменных, не использующий производной (точнее — градиентов) функции, а поэтому легко применим к негладким и/или зашумлённым функциям.
Суть метода заключается в последовательном перемещении и деформировании симплекса вокруг точки экстремума.
Метод находит локальный экстремум и может «застрять» в одном из них. Если всё же требуется найти глобальный экстремум, можно пробовать выбирать другой начальный симплекс. Более развитый подход к исключению локальных экстремумов предлагается в алгоритмах, основанных на методе Монте-Карло, а также вэволюционных алгоритмах.
22. В чем состоят достоинства и недостатки метода Нелдера-Мида?
метод Нелдера-Мида является очень эффективным алгоритмом поиска экстремума функции многих переменных, не накладывающим ограничений на гладкость функции. На каждой итерации алгоритма производится как правило одно-два вычисления значений функции, что чрезвычайно эффективно если эти вычисления очень медленны. Кроме того, алгоритма очень прост в реализации. Главным же его недостатком является отсутствие теории сходимости и наличие примеров, когда метод расходится даже на гладких функциях.
23. Из каких операций строится метод Нелдера-Мида?
Инициализация.Произвольным
образом выбирается
точка
,
образующие симплекс n-мерного пространства.
В этих точках вычисляются значения
функции:
.
1. Сортировка.
Из вершин симплекса выбираем три
точки:
с
наибольшим (из выбранных) значением
функции
,
со
следующим по величине значением
и
с
наименьшим значением функции
.
Целью дальнейших манипуляций будет
уменьшение по крайней мере
.
2.
Найдём центр тяжести всех точек, за
исключением
.
Вычислять
не
обязательно.
3. Отражение.
Отразим точку
относительно
с
коэффициентом
(при
это
будет центральная симметрия, в общем
случае — гомотетия), получим точку
и
вычислим в ней функцию:
.
Координаты новой точки вычисляются по
формуле
4.
Далее сравниваем значение
со
значениями
:
4а.
Если
,
то производим растяжение.
Новая точка
и
значение функции
.
Если
,
то заменяем точку
на
и
заканчиваем итерацию (на шаг 8).
Если
,
то заменяем точку
на
и
заканчиваем итерацию (на шаг 8).
4b.
Если
,
то заменяем точку
на
и
переходим на шаг 8.
4с.
Если
,
то меняем обозначения
(и
соответствующие значения функции)
местами и переходим на шаг 5.
4d.
Если
,
то переходим на шаг 5.
5. Сжатие.
Строим точку
и
вычисляем в ней значение
.
6.
Если
,
то заменяем точку
на
и
переходим на шаг 8.
7.
Если
,
то производим сжатие
симплекса —
гомотетию к точке с наименьшим
значением
:
для
всех требуемых точек
.
8. Последний шаг — проверка сходимости. Может выполняться по-разному, например, оценкой дисперсии набора точек. Суть проверки заключается в том, чтобы проверить взаимную близость полученных вершин симплекса, что предполагает и близость их к искомому минимуму. Если требуемая точность ещё не достигнута, можно продолжить итерации с шага 1.