- •Теория принятия решений
- •Часть 2 нелинейное программирование, теория игр, многокритериальные задачи принятия решений
- •Введение
- •4. Нелинейное программирование
- •4.1. Характеристика задач
- •4.2. Условия оптимальности
- •4.3. Квадратичное программирование
- •4.4. Сепарабельное программирование
- •4.5. Задачи дробно-линейного программирования
- •4.6. Методы спуска
- •4.7. Методы одномерной минимизации
- •4.7.3. Метод деления интервала пополам
- •4.7.4. Метод золотого сечения
- •4.7.6. Метод первого порядка
- •4.8. Многомерный поиск безусловного минимума
- •4.8.1. Метод Гаусса – Зейделя (покоординатного спуска)
- •4.8.2. Метод Хука – Дживса (метод конфигураций)
- •4.8.3. Симплексный метод
- •4.8.4. Градиентные методы
- •4.8.6. Методы сопряженных направлений
- •4.8.7. Методы случайного поиска
- •Алгоритм с возвратом при неудачном шаге
- •Алгоритм с обратным шагом
- •Алгоритм наилучшей пробы
- •Алгоритм статистического градиента
- •4.8.8. Генетические алгоритмы
- •Исходная популяция
- •Результаты работы оператора скрещивания
- •Популяция первого поколения
- •4.9. Методы условной оптимизации
- •4.9.2. Метод проектирования градиента
- •4.9.3. Метод штрафных функций
- •Минимизация по методу Ньютона
- •4.9.4. Метод барьерных функций
- •Результаты поиска алгоритмом барьерных функций
- •4.9.5. Другие методы условной оптимизации
- •5. Методы теории игр в управлении
- •5.1. Теория игр в контексте теории принятия решений
- •5.2. Матричные игры с нулевой суммой
- •Использование линейной оптимизации при решении матричных игр. Пусть игра не имеет оптимального решения в чистых стратегиях, т.Е. Седловая точка отсутствует .
- •5.3. Игры с природой
- •5.4. Критерии, используемые для принятия решений
- •В играх с природой. Критерии, основанные
- •На известных вероятностях стратегий природы
- •Иногда неопределенность ситуации удается в некоторой степени ослабить с помощью нахождения вероятностей состояний на базе данных статистических наблюдений.
- •5.5. Оценка необходимости эксперимента
- •6. Многокритериальные задачи принятия решений
- •6.1. Основы многокритериальный оптимизации
- •6.2. Принцип оптимальности Парето.
- •6.3. Принцип равновесия по Нэшу
- •6.4. Конфликты, переговоры и компромиссы
- •6.5. Краткий обзор методов решения задачи векторной оптимизации
- •Значения компонентов вектор-функции
- •1. Оптимальность по Парето
- •Исходные данные для задачи оптимизации по Парето
- •Эффективность операции
- •2. Принятие решений в условиях неопределенности
- •Исходные данные для задачи принятия решения в условиях неопределенности
- •3. Многокритериальная оптимизация
- •Заключение
- •Библиографический список
- •Оглавление
- •Теория принятия решений
4.7.4. Метод золотого сечения
Золотое сечение – это определенное отношение части к целому. Отрезок АВ делится точкой С в отношении золотого сечения (рис. 4.11), если
. (4.37)
Положим АВ = 1, АС = х, СВ = 1 – х, тогда из выражения (4.37) получаем уравнение
х2 + х – 1 = 0,
из которого следует
;
Эти отношения используются для выбора двух точек внутри интервала неопределенности. Они располагаются, как показано на рис. 4.12. Каждая из точек делит интервал [a, b] в отношении золотого сечения.
Вэтих точках вычисляется функция. Еслиf(x1) > f(x2), то отбрасывается часть интервала [a, x1], если f(x1) < f(x2), то отсекается часть [x2, b], а при равенстве значений функции – любая из них. Оставшаяся часть интервала равна от величины исходного. Очевидно, что после такого сокращения интервала одна из внутренних точек остается с изменением индекса, а вторая берется на основе золотого сечения или, что одно и то же, симметрично оставшейся (рис. 4.13). Сокращение интервала продолжается до достижения заданной точности.
Алгоритм
Задать точность по координате .
Вычислить
Вычислить f( x1), f( x2).
Если f(x1) > f(x2), положить a = x1, x1 = x2, или x2 = a + b – x1, иначе – b = x2, x2 = x1, или x1 = a + b – x2.
Если (b – a) < , закончить поиск.
Вычислить функцию в новой точке и перейти на п. 4.
Итерации алгоритма графически иллюстрируются на рис. 4.13.
Покажем, что сохраняемая точка (x1 или x2) делит сокращенный интервал также в отношении золотого сечения. Пусть на k-й итерации внутренние точки делят интервал [ak, bk] в отношении золотого сечения. Обозначив = bk – ak, , имеем
.
Тогда для нового, сокращенного, интервала находим
;
В результате получаем
.
Благодаря этому свойству внутренние точки не сливаются при любом числе итераций.
Согласно алгоритму функция вычисляется 2 раза на начальном интервале и по одному разу на всех последующих. Поэтому после n вычислений функции интервал неопределенности составит от величины первоначального. При заданной точности можно найти необходимое количество вычислений функции n из условия
4.7.5. Метод Фибоначчи
Схема метода Фибоначчи почти полностью совпадает с методом золотого сечения. Отличие в том, что вместо золотого сечения используется отношение чисел Фибоначчи: на k-й итерации доли малого и большого отрезков интервала равны и соответственно.
Числа Фибоначчи F вычисляются по известным соотношениям: F0 = F1 = 1; F = F –1 + F –2; 2.
Точки x1 и x2 вычисляются по формулам:
; (4.38)
. (4.39)
Как очевидно, они идентичны приведенным выше (см. п. 4.7.4). Однако если при использовании золотого сечения внутренние точки не могут сливаться, то здесь это не так. Действительно, при k = n – 1 из формул (4.38) и (4.39) имеем
; .
Но так как F0/F2 = F1/F2 = 1/2, то , и, следовательно, точки сливаются в середине интервала. Поэтому до начала итераций необходимо определить значение n, гарантирующее достижение минимума с заданной точностью . После 1-й итерации длина интервала составит от величины исходного, после 2-й – ()(), …, после (n–1)-й –
.
Значит, длина последнего интервала будет равна (b1 – a1)/Fn, где [a1, b1] – исходный интервал. Для обеспечения заданной точности требуется, чтобы
, или . (4.40)
Таким образом, соотношение (4.40) позволяет определить номер числа Фибоначчи по исходным данным. На начальном интервале точки вычисляются по формулам (4.38) и (4.39) при k = 1. На последующих итерациях числа Фибоначчи не требуются, так как одна точка переносится из предшествующей итерации, а вторая берется симметрично ей, т.е. лучше использовать вторые формулы из п. 4 алгоритма золотого сечения.
После слияния внутренних точек остается неопределенность с положением минимума. Для ее устранения вторая точка берется слева или справа от центра на расстоянии1 (0,010,05). Для случая сдвига второй точки влево (рис. 4.14) при f(x1) < f(x1 – 1) минимум лежит в интервале (2), в противном случае – в интервале (1).
Метод Фибоначчи является самым эффективными из всех прямых методов. Очень близок к нему метод золотого сечения: при n > 9 они практически совпадают по эффективности, и чем больше n, тем ближе эти методы. А в пределе отношение, используемое в методе Фибоначчи на 1-й итерации, становится равным золотому сечению:
.