pizhurin_a_a_pizhurin_a_a_modelirovanie_i_optimizaciya_proce
.pdfСущность его в том, что каждый пункт отправления заменяется группой таких пунктов по числу имеющихся в нем видов продукции.
Аналогичным образом расщепляются пункты потребления: каждый из новых пунктов имеет заявки только на продукты, между которыми су ществует полная взаимозаменяемость. С помощью коэффициентов взаимо заменяемости, которые предполагаются заданными, пересчитываются за явки новых потребителей в единицах эквивалентного продукта. Наличие коммуникации между любыми двумя вновь полученными пунктами от правления и потребления предполагается лишь в том случае, если в заявке последнего имеются продукты данного поставщика. При этом условии с помощью коэффициентов взаимозаменяемости вычисляется соответст вующий коэффициент матрицы транспортных затрат.
Можно рассмотреть также многопродуктовую транспортную задачу с перевозками на разнородном транспорте, например, на автомашинах раз личных марок, обладающих различной скоростью и грузоподъемностью на тех или иных маршрутах. Эта задача может быть сведена к транспортной либо к распределительной задаче (см. п. 3.8.3) в зависимости от того, учи тывается ли различная грузоподъемность машин разных марок.
4. Задача о перевозках с промежуточной обработкой. Пред положим, что в каждом пункте отправления производится некоторый по луфабрикат, который сначала поступает в пункты переработки, после чего доставляется потребителям. Известны объемы производства полуфабрика тов, предельно допустимые объемы его переработки в каждом пункте и за явки потребителей. Заданы также стоимости перевозок от пунктов произ водства к пунктам переработки и от последних - к потребителям. Требует ся составить план перевозок, при котором весь полуфабрикат вывозится и перерабатывается, заявки потребителей удовлетворяются, а суммарные транспортные затраты достигают минимума. Модель этой задачи, как можно показать, сводится к модели транспортной задачи с запретами, ко торая в свою очередь, как уже отмечалось, приводится к обычной транс портной задаче.
К математической модели транспортной задачи сводятся не только задачи о перевозках грузов, но и целый ряд задач иного содержания. Рас смотрим некоторые из них.
3.8.2. Задача об оптимальном размещении производства
Имеется т пунктов, где возможно строительство предприятий, про изводящих некоторую продукцию. Затраты на производство единицы про дукции в /-м пункте равны at , а максимально возможный объем ее выпус ка составляет bt единиц в год, z = 1 , Изготавливаемая продукция должна быть распределена между п потребителями. Доставка единицы продукции от /-го пункта производства ку-му потребителю обходится в Су
92
руб. (z = 1,2,..., т, j = 1,2,..., и). Потребность в продукции дляу-го потре бителя составляет dj единиц в год. Требуется составить план выпуска про
дукции и схему перевозок так, чтобы годовые затраты на производство и перевозку продукции были минимальны.
Обозначим через у ( искомый объем выпуска продукции в /-м пунк те, а через Ху- объем перевозок от z-ro пункта производства ку-му потре
бителю.
Ограничения на объемы производства продукции
у ( <Ь19 z = l,2,..., т. |
(3.86) |
Вся произведенная продукция должна быть вывезена:
£ х &= у п |
/ = 1, 2,..., т. |
(3.87) |
j = 1 |
|
|
Заявка каждого потребителя должна быть удовлетворена: |
|
|
t,X y = d j, |
j = 1, 2,..., п. |
(3.88) |
/=1 |
|
|
Объемы производства и перевозок неотрицательны:
^ > 0 ; х0 >09 / = 1,2,...,/я; ;=1, 2 , ( 3 . 8 9 )
Требование минимума суммарных затрат на производство и пере возку продукции реализуется следующей целевой функцией:
тт п
w = |
-> min. |
(3.90) |
/=1 |
/=1 >1 |
|
Если в ограничениях и целевой функции этой модели заменить y t
п
на xij согласно (3.87), то она сводится к следующей модели открытой
7=1
транспортной задачи линейного программирования:
п
г' = 1,
М
т
'Zxij=dj> 7 = 1, 2 ,..., и;
1=1
^>0, / = 1,2,...,/и; У = 1,2,...,и;
w = Е Е ! 0/ + ^{/)^у -►min-
Мy-l
3.8.3. Распределительная задача
Математическая модель распределительной задачи является обоб щением транспортной задачи и сводится к ней лишь в некоторых частных случаях. Рассмотрим ее содержательную формулировку применительно к задаче распределения различной продукции между несколькими предпри ятиями.
Пусть п предприятий должны выпускать в совокупности т видов продукции. Это могут быть мебельные фабрики, производящие различные виды изделий; лесозаводы, выпускающие пиломатериалы различных сече ний, и т. д. Заданы величины затрат ci} в рублях на единицу /-го вида изде
лия при изготовлении его на j -м предприятии, а также время XiJ9 необ
ходимое для производства единицы /-го изделия на у-м предприятии; пла новое задание ai по каждому виду изделия и число bj часов работы /-го
предприятия, которое может быть выделено в течение планового периода на производство всех рассматриваемых изделий. Требуется распределить производство изделий по разным предприятиям так, чтобы минимизиро вать суммарные затраты при выполнении планового задания с учетом ог раниченности ресурсов рабочего времени.
Обозначим через xtJ искомый объем выпуска изделий /-го вида на
j -м предприятии. Требование выполнения планового задания имеет вид
•, =«;, г= 1,2,..., т. |
(3.91) |
М |
|
Условия, учитывающие ограниченность фонда рабочего времени, |
|
записываются в виде неравенств |
|
т |
(3.92) |
У =1,2,...,и. |
|
1=1 |
|
Переменные xtj неотрицательны: |
|
ху >0, i = l,2,...,m; j = l,2,...,n. |
(3.93) |
Суммарные затраты на изготовление всех изделий выражаются функцией
т п |
|
• |
(3-94) |
/=1>1 |
|
Таким образом, в математической формулировке поставленная за дача сведена к отысканию таких значений переменных xiJ9 при которых
удовлетворяются ограничения (3.91) - (3.93), а целевая функция (3.94) об
ращается в минимум. Построенная математическая модель относится к за дачам линейного программирования и отличается от модели транспортной задачи наличием множителей Xtj в ограничениях (3.92). Ее называют мо
делью распределительной задачи. Приняты и другие названия, напри мер, X-задача, обобщенная транспортная задача. Для решения распредели тельной задачи может быть использован любой метод линейного програм мирования, например, симплекс-метод. Имеются и более простые, специ ально разработанные методы.
Если все Ху равны единице, мы получаем обычную транспортную
задачу. Кроме того, как легко показать, распределительная задача сводится к транспортной, если для каждого i коэффициенты Х{- пропорциональны,
то есть X fl/ X !j = X й /X j2=... = X in/Я {п~ а ., где ai - некоторые константы.
Глава 4
ЗАДАЧИ НЕЛИНЕЙНОГО И ЦЕЛОЧИСЛЕННОГО ПРОГРАММИРОВАНИЯ В ДЕРЕВООБРАБОТКЕ
4.1. Общие сведения о задачах нелинейного программирования
Построение моделей линейного программирования основано на предположении о линейной зависимости между характеристиками объекта и элементами решения. Такое предположение в технологических исследо ваниях далеко не всегда оказывается оправданным. Можно указать много объектов оптимизации, в том числе и в деревообработке, для которых оно неправомерно. Нелинейными, как правило, являются зависимости техни ко-экономических, силовых и качественных характеристик процессов ме ханической обработки древесины от режимных факторов. Модель (3.86) - (3.90) задачи об оптимальном размещении производства также оказывается при внимательном рассмотрении грубой, поскольку предполагает линей ную зависимость между затратами на производство и его объемом [см. первую сумму в целевой функции (3.90)]. На самом же деле эта зависи мость имеет более сложный характер (рис. 4.1.). На начальном участке I она выпукла вверх. Это объясняется тем, что вначале с ростом выпуска за траты на производство единицы продукции снижаются. Затем, при дости жении некоторого объема выпуска, дальнейшее его увеличение достигает ся ценой перегрузки производства, что приводит к увеличению себестои мости продукции ( участок II).
4.1.1. Постановка задачи нелинейного программирования
Задачи оптимизации, в которых требуется отыскать значения п пе ременных *2, ..., хт обращающих в минимум или максимум целевую функцию
W = f { x v x2,...,xn)-> min (max) |
(4.1) |
и удовлетворяющих т ограничениям в виде равенств или неравенств
<pj (xl,x2,...,xn){<,=,>}bJ> 7 = 1,2,....от, |
(4.2) |
называются задачами математического программирования. Здесь пред полагается, что функции/ и (pj известны, а константы bj заданы. На все или на часть переменных xt ( i = 1, ..., п) могут быть наложены дополнительные условия неотрицательности или дискретности. В частном случае, когда все функции / и ^ линейны, задача математического программирования сво дится к задаче линейного программирования, рассмотренной в преды
дущей главе. Если же хотя бы одна из функций / или (pj нелинейна, то задача (4.1), (4.2)
называется задачей нелинейного
программирования.
Задачи нелинейного про граммирования очень разнообраз ны и гораздо сложнее, чем за дачи линейного программирова ния. В отличие от ЗЛП, опти мальное решение задачи нели нейного программирования мо жет находиться как внутри, так
и на границах области допустимых решений (ОДР). Например, решением задачи
(*, - 2)2 + (х2 - З)2 -> min;
О< jc < 5; 0 < *2 < 5
является, как легко убедиться, точка х\=2, х2-3, лежащая внутри ОДР. А для задачи с теми же ограничениями, но другой целевой функцией,
хх + х2 -> шах, решением будет точка (х\ =х2= 5) на границе ОДР.
При изучении методов линейного программирования нами был подробно рассмотрен симплекс-метод. Это алгоритм решения ЗЛП, кото рый гарантирует достижение ее решения (если оно существует) за конеч ное число шагов. В этом случае говорят, что алгоритм сходится за конеч ное число итераций. Таким же свойством обладает метод потенциалов, предназначенный для решения транспортной задачи. Для задач нелиней ного программирования подобного универсального алгоритма не сущест вует. В зависимости от типа этих задач разрабатываются специальные ал горитмы их решения, причем большинство из них не обеспечивает сходи мости за конечное число итераций и, следовательно, является приближен ными.
4.1.2. Математическая модель процесса пиления древесины на лесопильных рамах
В качестве примера задачи нелинейного программирования рас смотрим постановку задачи оптимизации режимов рамного пиления древе сины. Элементами решения здесь служат следующие пять параметров: по дача на один зуб пилы ип мм; шаг зубьев пил t, мм; толщина их s, мм, же сткость пил к , Н/мм, а также величина пути резания зубьев пил в древесине L, км, за время Г, равное периоду работы лесопильного потока. С учетом того, что лесопильная рама является головным лесопильным оборудовани
ем, в качестве критерия оптимальности разумно принять максимум ее сменной производительности.
Приведем вывод целевой функции задачи. Предварительно опреде лим время т, мин, затраченное непосредственно на пиление за смену. Обо значим через tn время простоя лесопильной рамы при смене пил, мин. То гда количество перестановок пил в течение рабочей смены равно т’смДт’+ О . где Гсм - продолжительность рабочей смены, мин. Поэтому
/
г = КтК 1 Тм |
(4.4) |
\ |
T + t,п У |
где Кт- коэффициент использования рабочего времени смены; К\ - коэффициент использования лесопильного потока.
Штучная производительность лесопильной рамы, измеряемая в ко личестве бревен (брусьев), распиленных за смену, равна
|
П = хи/1, |
где и - |
скорость подачи, м/мин; |
/ - |
средняя длина бревен, м. |
После подстановки выражения для т из (4.4) эта формула примет следующий вид:
(4.5)
где К 0бш= К ТК Х- общий коэффициент использования рабочего времени.
Зависимость скорости подачи и от подачи на зуб wz, мм, величины хода пильной рамки Я, мм, шага зубьев пил t, мм и частоты вращения ко ленчатого вала лесопильной рамы п, мин _1, задается следующей форму лой:
и = uzHn/(\000 t). |
(4.6) |
Величина пути резания L выражается через период Г работы лесо-
пильного потока:i: L = Lp пТ/ю 6, где Lp- путь резания одного зуба пилы за
один ход пильной рамки, мм. Для случая, когда величина хода пильной рамки превышает среднюю высоту пропила h, мм, можно считать Lp = h. Поэтому L = hnГ/106, откуда
Т = 106 L/hn. |
(4.7) |
Подставив выражения для и и Т (4.6) и (4.7) в формулу (4.5), получим
98
rj и,К 0бшТсмНп |
1_____ 1_ |
|
(4.8) |
ПЛЛ7 |
Ллб г Л |
||
<1000/ |
106L |
+ 1 |
|
Умножив это выражение на средний объем бревна (бруса), выразим производительность лесопильной рамы в м3 распиленного сырья. Если же вместо этого выражение (4.8) умножить на средний объем Vn пиломате риалов, вырабатываемых из одного бревна (бруса), то целевая функция бу дет измеряться в м3 вырабатываемых пиломатериалов. Поскольку величи на Va вычисляется как разность между объемом бревна (бруса) и суммар ным объемом всех пропилов, то в целевую функцию войдет еще один эле мент решения - толщина пил.
Множество ограничений рассматриваемой модели удобно разбить на три группы.
В первую группу входят технологические ограничения по мощности привода лесопильной рамы, работоспособности впадин зубьев пил, устой чивости пил. Они составляются по результатам технологического анализа процесса пиления, изучения его силовых и энергетических характеристик. Приведем наименее громоздкое по своей форме ограничение по работо способности впадин зубьев пил:
(4.9)
где hm^ - максимальная высота пропила;
а- коэффициент, зависящий от формы зуба, соотношения хода пиль ной рамки и величины /гтах, а также от требований к шероховато
сти поверхности пиломатериалов.
Вторую группу составляют ограничения, вызванные требованиями к качеству обработки пилопродукции. Этими требованиями лимитируют ся, в частности, шероховатость поверхности и разнотолщинность пилома териалов. Оценочным показателем при определении шероховатости по верхности пиломатериалов служит среднеарифметическая величина Rmmax максимальных высот неровностей. В качестве оценочного показателя при определении точности размерообразования часто берут величину среднего квадратического отклонения d толщины пиломатериалов.
Для формирования соответствующих ограничений следует полу чить зависимость величины Rmmzx^ d от элементов решения, т. е. выраже ния для функций:
(4.10)
Единственным реальным способом получения этих зависимостей является многофакторный эксперимент.
Таким образом, ограничения второй группы имеют вид:
max |
L) ~ |
шах ] > |
(4.11) |
d = fi{uz’ s. t’ |
|
|
(4.12) |
где [Rmmax] и [d\ - заданные граничные значения соответствующих пара метров.
Ограничения третьей группы связаны с конечным диапазоном варьирования элементов решения и с дискретностью их задания, если это имеет место. Последнее относится к толщине s пил, шагу t их зубьев, для которых установлены стандартные значения, а также к пути резания L. Значения пути резания определяются в зависимости от числа перестановок пил за смену и, следовательно, также дискретны. Имеем поэтому
S — S’j,-,, ^2,s n . . . , S[\s , ,
Как легко заметить, целевая функция (4.8) и ограничение (4.9) яв ляются нелинейными функциями элементов решения wz, t, L Этого доста точно для следующего утверждения: задача оптимизации режимов процес са рамного пиления древесины является задачей нелинейного программи рования. На самом деле нелинейными являются и полученные экспери ментально ограничения второй группы, поскольку оказалось, что для адекватного описания результатов эксперимента функции f\ n f2, входящие в выражения (4.10), должны быть многочленами второго или более высо кого порядка.
Рассмотренная ситуация, при которой для построения оп тимизационной модели потребовалось сочетание аналитических и экспе риментальных методов, типична для технологических исследований в де ревообработке.
4.2. Методы отыскания экстремума для функций одной переменной
Прежде чем изучать методы решения задач нелинейного програм мирования, рассмотрим методы отыскания экстремума функций без учета ограничений. Точнее, ограничения могут быть, но предполагается, что они не оказывают влияния на процесс отыскания экстремума и на его резуль тат. Эти методы называют методами безусловной минимизации, имея в
виду отыскание минимума функций. Их изучение удобно начать с наибо лее простой задачи поиска экстремума функции одной переменной fix 1). Это так называемая одномерная задача оптимизации. Функцию, для которой отыскивается экстремум, будем по-прежнему называть целевой функцией.
Отметим прежде всего, что функция / (*i) может иметь как один, так и несколько экстремумов. Например, функция, изображенная на рис. 4.2, имеет четыре максимума в точках 7, 3, 5, 7 и три минимума в точ ках 2, 4, 6. При этом значение функции в точке 3 превосходит ее величину
для всех остальных значений аргумента х\. Такая точка называется точкой глобального максимума, а все остальные максимумы функции называются локальными. Аналогично, точка 6 будет точкой глобального минимума функции, изображенной на рис. 4.2, а точки 2 и 4 - это точки ее локального минимума.
4.2.1. Необходимые и достаточные условия экстремума
Из дифференциального исчисления хорошо известны необходимые и достаточные условия экстремума функции / (*i). Необходимое условие экстремума: если существует производная/'(* 0 функцииf(x\) в точке х\=а и эта функция имеет в точке а максимум или минимум, то f \ a ) = 0. Доста точное условие экстремума: если существует вторая производная функции f" (a \ то функция f(x\) имеет в точке а: максимум приf \ a ) = 0 и/"(я)<0;
минимум приf ’(a)=0 и f"(a)> 0.
Рассмотрим несколько примеров, в которых эти условия ис пользуются для решения простейших задач оптимизации.
4.2.2.Задача оптимизации размеров оконного блока
1.Предположим, что оконный блок одностворчатой конструкции имеет форму прямоугольника. Каким должно быть соотношение его сто рон, чтобы при заданной площади остекления на изготовление блока по шло бы наименьшее количество материала?