- •Оглавление
- •Часть 1 8
- •Часть 2 96
- •Часть 3 185
- •Введение
- •Часть 1 автоматизация проектирования. Основные понятия. Технические средства
- •1.2. Структура и основные принципы построения сапр
- •1.3. Автоматизированные рабочие места инженеров-конструкторов
- •Лекция №2 Виды обеспечения сапр
- •2.1. Инструментальная база сапр
- •Файловые системы fat
- •Файловая система fat32
- •Файловая система ntfs
- •Общая характеристика систем
- •2.3. Классификация устройств, обеспечивающих получение твердых копий конструкторской документации
- •Сканеры
- •Получение твердых копий
- •Технология печати
- •Струйные принтеры
- •Лазерные принтеры
- •Плоттеры
- •Архитектура системы
- •Лекция №3 Организация и управление данными в сапр
- •3.1. Информационный фонд сапр
- •Языки бд
- •Типовая организация современной субд
- •Организация систем автоматизированного проектирования на базе бд
- •3.2. Внутримашинное представление объектов проектирования
- •3.3. Организация обмена данными. Компьютерные сети
- •Лекция №4 Лингвистическое обеспечение автоматизированного проектирования
- •4.1. Организация программного обеспечения сапр. Языки программирования
- •Основные понятия и определения
- •Вычисления в AutoCad
- •Структура программы на AutoLisp
- •Структура программ
- •Объектно-ориентированное программирование
- •Часть 2 задачи автоматизации проектирования механизмов и машин в машиностроении
- •Лекция №5 Основы методологии проектирования технических объектов. Работа с информацией, вырабатываемой во время проектирования
- •5.1. Методология проектирования технических объектов
- •5.2. Работа с информацией
- •5.3. Сапр как объект проектирования
- •Лекция №6 Геометрическое моделирование и организация графических данных
- •6.1. Назначение и область применения систем обработки геометрической информации
- •6.2. Двухмерное проектирование с помощью системы AutoCad
- •6.3. Параметрическое проектирование с применением системы SolidWorks
- •Лекция №7 Виртуальное производство. Характеристики и основные принципы работы сапр технологических процессов обработки металлов давлением
- •7.1. Виртуальное производство
- •7.2. Предпосылки автоматизации проектирования технологических процессов
- •7.3. Математическое обеспечение виртуального производства
- •Лекция №8 сапр инженерных расчетов
- •8.1. Предпосылки автоматизации проектирования деталей приводных устройств
- •8.3. Автоматизация инженерных расчетов и подготовки рабочих чертежей
- •Лекция №9 Принципы построения и организация технического документооборота в масштабе предприятия
- •9.1. Автоматизация управления подготовкой производства
- •9.2. Структура и принципы организации работ
- •Документ – версия – итерация
- •Часть 3 методы оптимизации, применяемые при решении конструкторских задач
- •Лекция №10 Основы теории оптимизации. Проектные параметры. Критерии качества
- •10.1. Постановка задач оптимизации
- •Выбор целевой функции
- •Назначение ограничений
- •Нормирование управляемых и выходных параметров
- •10.2. Классификация оптимизационных задач
- •10.3. Подходы к решению обобщенных задач оптимизации. Математическая формулировка задач оптимизации
- •Безусловная оптимизация
- •Многомерный случай
- •Оптимизация при линейных ограничениях
- •Оптимизация при нелинейных ограничениях
- •Выбор метода оптимизации
- •Выбор метода безусловной оптимизации
- •Выбор метода для задачи с нелинейными ограничениями
- •Размер задачи
- •Структура ограничений
- •Методы нуль-пространства и ранг-пространства
- •Выбор метода, генерирующего допустимые точки
- •Выбор метода для решения задачи с нелинейными ограничениями
- •Роль пользователя
- •Программное обеспечение
- •Заключение
- •Билиографический список
- •394026 Воронеж, Московский просп., 14
10.3. Подходы к решению обобщенных задач оптимизации. Математическая формулировка задач оптимизации
В процессе проектирования первым этапом начала работ является формулировка требований на элементы будущей системы. Существенной частью при этом должны стать перечень выходных параметров и значения технических требований TTj к ним, т.е. условия работоспособности . Анализ особенностей постановки задач оптимизации показывает, что задачу параметрического синтеза технических объектов в некоторых случаях можно сформулировать как задачу безусловной оптимизации:
. (10.7)
Наиболее типичным случаем параметрической оптимизации технических объектов является поиск значений вектора управляемых параметров, доставляющих экстремум функции при наличии ограничений. Формулировка задачи в этом случае запишется так: найти
при ограничениях:
(10.8)
В зависимости от того, каким образом выбираются и объединяются выходные параметры в скалярной функции качества различают частные, аддитивные, мультипликативные, минимаксные и статистические критерии. Для многих технических объектов примером частного критерия может служить стоимость.
В данной части лекций, рассмотрим весьма обширный класс задач, именуемых нелинейными задачами условной оптимизации. Ставятся они следующим образом:
найти |
|
при ограничениях |
|
Произвольную точку , удовлетворяющую всем ограничениям, будем называть допустимой. Множество всех допустимой точек называют допустимой областью. Задача, у которой нет допустимых точек, называется “недопустимой задачей”. Определение решение задачи как точки локального минимума на первый взгляд может показаться довольно искусственным - ведь ясно, что наибольший интерес, как правило, представляет глобальный минимум, т.е. точка, в которой значение целевой функции не хуже, чем в любой допустимой, а не только в близлежайших. Вообще, поиск глобального экстремума минимизируемой функции, имеющей несколько локальных экстремумов, является одной из труднейших задач оптимизации. Дело здесь в том, что в процессе глобального поиска должны решаться сразу две противоречивые задачи: искать каждый конкретный минимум и одновременно уклоняться от него, чтобы найти другой наименьший, т.е. глобальный минимум. Эта двойственность глобального поиска отражается и на затратах они значительно превышают затраты на поиск локального экстремума. Другой специфической чертой глобального поиска является отсутствие полной уверенности, что найденный за конечное время экстремум является глобальным. И лишь при неограниченном увеличении времени поиска вероятность утери глобального экстремуму может быть сколь угодно малой. Алгоритмы глобального поиска, в которых используется процедура случайного наброса, т.е. случайного распределения пробных точек в области S называют набросывыми. Наиболее часто используют алгоритм случайного наброса с поиском и адаптивный набросовый алгоритм.
При реализации алгоритма случайного наброса на каждом i-м этапе из случайной начальной точки делается локальный спуск в ближайший минимум Cоп– любым локальным методом поиска. За глобальным минимум принимается наименьший из полученных М локальных минимумов
(16.2)
Обычно при М вероятность того, что Соп, определяет положение глобального минимума, стремится к единице. При конечном М вероятность утери глобального экстремума всегда конечна. Однако использование локального поиска совершенно необязательно при работе набросовых алгоритмов.
Адаптивный набросовый алгоритм связан с адаптивным изменением плотности распределения наброса. Пусть p(C,V, ) - плотность распределения, параметрами которого является вектор --, равный математическому ожиданию случайного вектора, а 2 - некоторая скалярная мера рассеивания этого распределения (типа обобщенной дисперсии), такая, что при =0 распределение вырождается в дельта-функцию п С=V, а с увеличением – область наброса расширяется пропорционально . Алгоритм поиска заключается в генерировании последовательности случайных точек C[1], ..., C[N] и выборе точки с наименьшим значением показателя качества аналогично (15.5.1):
(16.3)
Так будем условно обозначать решение задач .
При этом параметры V и распределения адаптируются, например, следующим образом:
(16.4)
(16.5)
где 1<1, 2>1, т.е. зона поиска расширяется с каждой удачей и сужается при неудаче. Этот алгоритм стремится стянуть наброс вокруг лучшей точки. Темп такого стягивания, т.е. величина 1, определяет степень глобальности алгоритма. Если он велик (т.е. 1 мало), то, очевидно, будет найден ближайший локальный экстремум. Если мал, то шансы найти экстремум лучше ближайшего локального повышаются и при 1 1 вероятность отыскания глобального экстремума при N стремиться к единице (для этого необходимо, чтобы p(C,V, ) 0 для любой точки С S, т.е. чтобы плотность вероятности появления любой допускаемой точки не было равна нулю).