- •Введение
- •1. Интеграция методов оптимизации в структуру сапр
- •1.1. Основные задачи оптимального проектирования
- •1.2. Методы структурной и параметрической оптимизации в сапр
- •1.3. Математическое описание объектов проектирования
- •1.4. Формализация технико-эксплуатационных требований, предъявляемых к объекту проектирования
- •1.5. Классификация задач оптимального проектирования
- •2.2. Математическое описание объектов оптимального проектирования с использованием модели надежности
- •2.3. Математическое описание объектов оптимального проектирования с использованием моделей массового обслуживания
- •3.2. Методы одномерного унимодального поиска
- •3.2.1. Эффективность алгоритмов одномерного поиска
- •3.2.2. Метод дихотомии
- •3.2.3. Обобщенный метод Фибоначчи
- •3.3. Методы безусловной оптимизации
- •3.3.1. Методы многопараметрического поиска без вычисления производных
- •3.3.2. Градиентные методы спуска
- •3.3.3. Методы минимизации квазиньютоновского типа
- •Заключение
- •Библиографический список
- •Оглавление
- •394026 Воронеж, Московский просп., 14
1.2. Методы структурной и параметрической оптимизации в сапр
Методы структурной оптимизации в качестве основного признака этого класса задач учитывают комбинаторный характер формирования проектных вариантов.
Одним из подходов является полный перебор. Он предполагает предварительный синтез вариантов, которые можно получить путем формирования всех возможных комбинаций элементов ОП. Для формализации комбинаторного порождения вариантов обращаются к идее морфологического ящика (таблице фрагментов, которые могут входить в состав проектируемой системы, позволяющей формировать их допустимые комбинации) или к подобным методам. Затем для каждой реализации системы рассчитываются значения показателей и осуществляется выбор оптимального варианта. Положительной стороной полного перебора является просмотр всех разрешенных комбинаций, что обеспечивает высокую надежность принятия оптимального решения.
Указанный подход имеет недостатки, которые накладывают ограничение на его применение. Во-первых, отсутствие математических моделей, учитывающих системные связи ОП, требует формализации разрешенных комбинаций для каждой частной задачи, что существенно увеличивает затраты на предварительную подготовку автоматизированного решения. Во-вторых, полное число вариантов ОП оказывается достаточно большим, и машинное время, необходимое для их генерирования, становится неприемлемо велико. В-третьих, в случае множественности технико-экономических требований поиск оптимальной системы приводит к дополнительным затратам на повторный перебор и анализ в области компромиссов.
Подходом, направленным на ограничение числа предварительно синтезируемых вариантов, является сокращенный перебор на основе случайного поиска. Однако из-за отсутствия математических моделей структурной оптимизации ОП невозможно построить целенаправленные поисковые процедуры, прогнозирующие положение системы в пространстве показателей, что снижает надежность неполного перебора. Кроме того, не удается обосновать условие останова процесса случайного поиска.
Формализованный подход к учету комбинаторного характера структурного синтеза достигается на основе методов дискретной оптимизации, так как варьируемые компоненты структуры заданы на дискретном множестве (рис. 1.1). Их решение основано на методах дискретного (целочисленного, булевого) и динамического программирования.
Применение методов дискретного программирования связано с вычислительной сложностью переборных задач, к которым сводятся задачи структурной оптимизации. Переборные задачи — разделяются на классы (индивидуальная задача из некоторого класса имеет конечное число вариантов решения и может быть решена (во всяком случае, теоретически) с помощью полного перебора). По крайней мере один из параметров переборной задачи (например, ее размерность) неограничен. Таким образом, число индивидуальных задач в классе бесконечно. Индивидуальные задачи различаются исходными данными, значениями численных параметров условий задачи.
Такие известные задачи структурной оптимизации, как задача коммивояжера, задачи о покрытии, о раскраске, о максимальном разрезе, трехиндексная задача о назначении и другие являются задачами переборного типа. Их называют универсальными (NP - полными). Получение точного решения этих задач неэффективно, поскольку трудоемкость поиска экспоненциально зависит от их размерности. В связи с этим широко используются методы приближенного решения целочисленных задач, которые можно разделить на два класса: приближенные методы, порожденные известными точными методами, и методы, с самого начала ориентирующиеся на приближенное решение задачи.
Методы второго класса в свою очередь, подразделяются на следующие группы: детерминированные методы; методы, использующие случайный поиск; методы, использующие специфику задачи и эвристические приемы; комбинированные методы.
От разработчика САПР требуется понимание разнообразия классов задач и методов решения задач дискретной оптимизации, поскольку до сих пор не существует приемлемой классификации задач целочисленного (даже линейного) программирования, позволяющее, например, по специфике исходных условий подобрать подходящий приближенный алгоритм решения задачи.
При параметрической оптимизации наряду с экстремальными требованиями, в форме экстремума некоторого показателя, возникающими из содержательной постановки задач совмещения, центрирования, назначения допусков, идентификации и т.п., имеется ряд граничных условий, заданных областью работоспособности как в пространстве показателей ОП, так и в пространстве параметров элементов. Поэтому решение перечисленных задач сводится к поиску экстремальных значений параметров на допустимом множестве ограничений. В качестве методов решения используются методы математического программирования (линейного, нелинейного, выпуклого) (рис. 1.1). В случае параметрического синтеза в пространстве выходных показателей возникают экстремальные требования ко многим показателям, т.е. приходится решать задачи многокритериальной (векторной) оптимизации. Алгоритмической базой наиболее распространенного класса задач нелинейного программирования служат методы безусловной оптимизации.
Особенностью параметрической оптимизации является необходимость учета случайных характеристик элементов, входящих в ОП, т.е. исходной является стохастическая задача. При проектировании, в отличие от управления по текущей информации о параметрах объекта статистические характеристики случайных исходных данных известны. Используя совместное распределение случайных параметров, можно вычислить математическое ожидание (среднее значение) показателя, к которому предъявляются экстремальные требования, и вероятность выполнения ограничений, заданных областью работоспособности. Полученная в результате этих преобразований задача оптимизации называется детерминированным эквивалентом исходной стохастической задачи. Если стохастическая задача, помимо вероятностных ограничений содержит детерминированные условия, то они переносятся в эквивалентную задачу.
Указанный переход является эффективным главным образом в тех случаях, когда детерминированные эквиваленты представляют собой задачи линейного или выпуклого программирования. Имеются достаточные условия выпуклости детерминированных эквивалентов. Так если условия, заданные областью работоспособности; представляют собой совместное вероятностное ограничение и составляющие вектора ограничений — независимые случайные величины, то пользуются следующим утверждением.
Для того, чтобы совокупность вероятностных ограничений высекала выпуклую область, достаточно, чтобы распределение случайных величин вектора ограничений было любым из следующих распределений: равномерное; нормальное; экспоненциальное; гамма-распределение; распределение Вейбулла.
В ряде задач параметрической оптимизации (многоэкстремальных, слабоформализуемых) применяется обратный подход. Искусственно (путем генерирования на ЭВМ) вводятся случайные параметры, т.е. осуществляется рандомизация исходной задачи. Затем осуществляют ее сглаживание — переход к поиску экстремума математического ожидания показателя ОП. Для решения сглаженной задачи используются методы стохастической оптимизации (адаптивные алгоритмы, алгоритмы случайного поиска).