- •1.1 Понятие и классификация экономико-математических моделей
- •1.2. Примеры типовых экономико-математических моделей
- •Модуль 2. Сетевые модели в планировании и управлении
- •2.1. Элементы и правила построения сетевой модели
- •2.3. Алгоритм расчета параметров детерминированной сетевой модели
- •2.3. Диаграмма затрат ресурсов и ее оптимизация
- •2.4. Сетевые модели в условиях полной неопределенности
- •2.5. Вопросы для самоконтроля
- •2.6. Тесты. Сетевые модели
- •2.7. Практикум
- •Модуль 3. Экономико-математическая модель межотраслевого баланса «затраты – выпуск»
- •Модель «Затраты–Выпуск». Открытая модель Леонтьева
- •3.2. Замкнутая модель Леонтьева
- •3.3. Динамическая модель Леонтьева
- •3.4. Матричные модели предприятий, фирм
- •3.5. Вопросы для самоконтроля
- •3.6. Тесты. Балансовые модели
- •3.7. Практикум
- •1. Матрица внутрифирменных связей:
- •2. Матрица распределения чистой продукции:
- •3. Матрица затрат ресурсов (фонд заработной платы, материалы, э/энергия, износ оборудования):
- •Модуль 4. Методы и модели линейного программирования
- •4.1. Математическая модель общей задачи линейного программирования
- •4.2. Симплекс - метод решения задач линейного программирования
- •4.3. Двойственность в линейном программировании
- •4.4. Решение задач линейного программирования средствами excel
- •4.5. Вопросы для самоконтроля
- •4.6. Тесты. Линейное программирование
- •4.7. Практикум
- •Модуль 5. Транспортные задачи линейного программирования
- •5.1. Постановка и математическая модель транспортной задачи
- •Математическая модель тз:
- •5.2. Алгоритм решения транспортной задачи методом потенциалов
- •5.3. Транспортная задача с ограничениями на пропускную способность
- •5.4. Метод потенциалов для задачи Td
- •5.5. Вопросы для самоконтроля
- •5.6 Тесты. Транспортные задачи
- •5.7. Практикум
- •Модуль 6. Динамическое программирование
- •6.1. Оптимальное распределение ресурсов
- •6.2. Задача о замене оборудования
- •6.3. Применение динамического программирования в вопросах перспективного планирования.
- •6.4. Выбор оптимальных маршрутов методом динамического программирования
- •6.5. Вопросы для самоконтроля
- •6.6. Тесты. Динамическое программирование
- •6.7. Практикум
- •Задание 4. Выбор оптимальных маршрутов и инцидентных цепей
- •7.1. Постановка и геометрический смысл общей задачи нелинейного программирования
- •7.2. Метод множителей Лагранжа
- •7.3. Градиентные методы
- •7.4. Метод Франка-Вулфа
- •7.5. Метод штрафных функций
- •7.6. Метод наискорейшего спуска
- •7.7. Вопросы для самоконтроля
- •7.8. Практикум
- •Рекомендуемая литература
- •Содержание
- •Математические методы и модели в экономике
- •Издательство
- •625000, Г. Тюмень, ул. Володарского, 38
- •625039, Г. Тюмень, ул. Киевская, 52
7.3. Градиентные методы
Пусть задача нелинейного программирования состоит в минимизации функции , т.е. в отыскании вектора , который доставляет этой функции глобальный минимум.
Функция называется целевой функцией или функцией цели.
Если функция дифференцируема в точке , то градиентом в точке называется n-мерный вектор
.
Градиент в каждой точке , в которой он существует, направлен по нормали к линии уровня поверхности и показывает направление наискорейшего возрастания функции в данной точке (рис 7.2)
Рис. 7.2. Свойства вектора градиента
Если градиент отличен от нуля, то он указывает направление наибыстрейшего роста значения функции .
Вектор «-», противоположный градиенту, называется антиградиентом и указывает направление наискорейшего убывания функции .
Для выпуклой функции необходимым и достаточным условием оптимальности точки является равенство нулю градиента функции в этой точке, т. е. .
Алгоритм градиентного метода
Идея градиентного метода: если заранее известно, что функция имеет в допустимой области единственный экстремум, то поиск точки, в которой он достигается, целесообразнее проводить следующим образом. В допустимой области взять производную функции в точке и с помощью градиента (антиградиента) определить направление, в котором целевая функция возрастает (убывает) с наибольшей скоростью.
Рис.7.3. Поиск экстремума градиентным методом
Сделав наибольший шаг в найденном направлении, перейти в новую точку . Потом снова определить наилучшее направление для перехода в очередную точку и т. д., иначе говоря, надо построить последовательность точек так, чтобы она сходилась в точке экстремума , т.е. для точек последовательности выполнялись условия
Величина шага из точки по направлению градиента (антиградиента -) определяется значением параметра в уравнении прямой
, (7.9)
Методы поиска экстремума, основанные на построении последовательности точек , называют шаговыми или итерационными. Эти методы различаются способом выбора направления движения и способом выбора шага , от этого зависит сходимость методов.
Большое значение имеет также выбор начальной точки .
В качестве критериев прекращения итерационного процесса, свидетельствующих о достижении достаточной близости последней точки последовательности к точке экстремума , могут использоваться или модуль градиента
, (7.10)
или модуль разности оптимизируемой функции в двух соседних точках последовательности.
Значения критериев сравниваются с достаточно малыми положительными числами , соответствующими требуемой точности решения.
Признаком прекращения итерационного процесса служит выполнение неравенства
. (7.11)
Используя градиентные методы, можно найти решение любой задачи нелинейного программирования. Однако в общем случае применение этих методов позволяет найти точку локального экстремума. Поэтому более целесообразно использовать градиентные методы для нахождения решения задач выпуклого программирования, в которых всякий экстремум является одновременно и глобальным. Процесс нахождения решения задачи с помощью градиентных методов состоит в том, что, начиная с некоторой точки , осуществляется последовательный переход к некоторым другим точкам до тех пор, пока не выявляется приемлемое решение исходной задачи. При этом градиентные методы могут быть подразделены на две группы.
К первой группе относятся методы, при использовании которых исследуемые точки не выходят за пределы области допустимых решений задачи. Наиболее распространенным из таких методов является метод Франка-Вулфа.
Ко второй группе относятся методы, при использовании которых исследуемые точки могут, как принадлежать, так и не принадлежать области допустимых решений. Однако в результате реализации итерационного процесса находится точка области допустимых решений, определяющая приемлемое решение. Из таких методов наиболее часто используется метод штрафных функций или метод Эрроу-Гурвица.
Остановимся более подробно на методах Франка-Вулфа, штрафных функций и Эрроу-Гурвица.