- •Расчетные задания на тестирование
- •Метод перебора.
- •Метод перебора.
- •1. Математическая постановка задачи оптимизации.
- •2. Понятие о численных методах оптимизации. Методы поиска нулевого, первого и второго порядков. Пассивные и активные (последовательные) методы поиска.
- •3. Конечно шаговые и бесконечно шаговые методы поиска. Сходимость методов. Условия останова методов поиска.
- •4. Теорема существования решения оптимизационной задачи.
- •5. Необходимые условия экстремума первого и второго порядков
- •6. Достаточные условия экстремума (гладкие функции одной
- •7. Необходимые условия экстремума первого порядка (гладкие функции многих переменных).
- •8. Одномерная безусловная оптимизация. Унимодальная функция. Лемма о свойстве унимодальных функций.
- •9.Пассивные методы поиска экстремума.
- •10.Метод перебора.
- •11. Алгоритм оптимального пассивного поиска.
- •12.Теорема об оптимальности пассивного поиска.
- •13.Последовательные методы поиска экстремума.
- •14. Метод поразрядного поиска.
- •15. Метод дихотомий
- •16. Метод деления отрезка пополам
- •17. Метод золотого сечения
- •20. Метод средней точки
- •24 Поиск по образцу.
- •26 Метод симплекса.
- •27 Метод циклического покоординатного спуска.
- •28. Градиент. Градиент и направление роста целевой функции. Градиент и линия уровня.
- •29 Градиентные методы
- •30 Градиентный метод с постоянным шагом.
- •31 Градиентный метод с дроблением шага.
- •Метод наискорейшего спуска
- •Методы покоординатного спуска
- •Метод покоординатного спуска с постоянным шагом
- •Метод покоординатного спуска с дроблением шага
- •Метод Гаусса-Зейделя
- •Постановка задач линейного программирования
- •Способы перехода от одной формы задачи лп к другой
- •Базисное решение задачи лп Симплексный метод решения задач линейного программирования
- •Связь базисных решений с угловыми точками (вершинами) множества допустимых решений
- •Графический метод решения задачи лп
- •Симплекс-метод решения задачи лп
- •Метод искусственных переменных
26 Метод симплекса.
Основной недостаток – регулярный рост количества вычисленной значений целевой ф-и при увеличении размерности пространства n ( порядка 2 ^n).Геометрически это соответствуют процедуре построения вокруг базовой точки в качестве образца не n-мерного куба,а фигуры с меньшим кол-м вершин.
Под симплексом понимается n-мерный выпуклый многогранник n-мерного пространства, имеющий n+1 вершину. Для n=2 это треугольник, а при n=3 это тетраэдр.
Идея метода состоит в сравнении значений функции в n+1 вершинах симплекса и перемещении симплекса в направлении лучшей точки. В рассматриваемом методе симплекс перемещается с помощью операций отражения. Далее принято следующее: х0(k), х1(k), … , хn(k) – вершины симплекса, где к - номер итерации, отрезок соединяющие вершины – ребра симплекса. После построения симплекса вычисляют значения целевой функции в вершинах симплекса и выбирают вершину с наибольшим значением целевой ф-и. Если таких вершин несколько, то может быть взята любая из них. Находят точку u из формул, симметричную вершине x(k) относительно гиперплоскости, в которой лежат остальные вершин симплекса ( xi !=xk). Нахождение точки u называется отражением вершины. В результате получают новый симплекс, образованный новой вершинной u и n вершиной xi. Если fu>=fxk, то следует вернуться к предыдущему симплексу, считается отражение вершины xk неудачным. В этом случае новый симплекс строится уменьшением размера предыдущего симплекса. При этом длину всех ребер симплекса уменьшают в 2 раза. Вершины нового симплекса находят по формулам, сжимая симплекс в 2 раза к вершине xm, в которой значение целевой ф-и меньше, чем в других вершинах симплекса. После того как новый симплекс построим осуществляют переход к этапу построению отпряжённой вершины дна нового симплекса все повторяется, условным прекращения поиска является уменьшение размеров симплекса до заранее выбранного значения (n<=E)
27 Метод циклического покоординатного спуска.
Заключается в последовательном минимизации целевой ф-и f(x) с поиском оптимальных шагов сначала по направлению единичной орты e1 вдоль первой координатной оси, затем по направлению единичной орты e2 вдоль второй координатной оси и т.д. После окончания минимизации по направлению единичной орты en вдоль n координатной оси цикл повторяется. Выберем начальную точку x0, Поиск точки минимума целевой функции проводят по формулам xl+1=xl+альфа*ej, где l-номер текущей точки приближения. Значения альфы находят из решения задачи одномерной минимизации. Индекс j изменяется циклически, пробегая на каждом шаге покоординатного спуска. Все значения от 1 до n, причем альфа могут быть + и -. Условная остановка рассматриваемого метода является модуль дельта <= E
28. Градиент. Градиент и направление роста целевой функции. Градиент и линия уровня.
Целевая функция - функция, связывающая цель (оптимизируемую переменную, т.е. найти max или min) с управляемыми переменными в задаче.
Это функция, минимум или максимум которой требуется найти.
Целевая функция: F (x)= c1x1 + c2x2 + ... + cnxn → max(min)
Градиент функции – вектор, координаты которого равны частным производным первого порядка
Градиент линейной функции f (x1,x2) = c1x1+c2x2 равен вектору коэффициентов функции. С = (c1, C2)
Градиент функции в точке определяет направление наискорейшего возрастания функции в этой точке.