- •Глава 9. Организация эксперимента при решении задач оптимизации
- •9.1 Формализация задач оптимизации технических систем (процессов)
- •9.1.1 Формулировка задачи оптимизации
- •9.1.2 Классификация задач оптимизации
- •9.2 Методы поиска оптимальных условий работы технических систем
- •9.3 Аналитический поиск экстремума целевой функции
- •9.4 Численные методы поиска оптимума
- •9.4.1 Оптимизация перебором
- •9.4.2 Сканирование
- •9.5 Итерационные методы направленного поиска
- •9.5.1 Метод дихотомии
- •Результаты вычислений по методу дихотомии
- •9.5.2 Метод золотого сечения (деление отрезка в среднем и крайнем отношении)
- •9.6 Методы безградиентного многомерного поиска оптимума
- •1. Безградиентные методы:
- •2. Градиентные методы:
- •9.6.1 Покоординатный метод Гаусса-Зайделя
- •9.6.2 Метод случайного поиска
- •9.6.3 Симплекс – планирование и движение в область оптимума
- •1. Наилучшее значение выходной переменной y наблюдалось в двух или нескольких вершинах симплекса. Рекомендуется принять решение с помощью одного из случайных механизмов (бросания монет и т. П.).
- •Матрица симплекса 1-3-6
- •Матрица симплекса 2-7-8
- •Преобразованная матрица симплекса 1-3-6
- •План-матрица начального симплекса
- •Координаты симплекса 2-3-4
- •Координаты симплекса 3-4-5
- •Координаты симплекса 2-4-6
- •Координаты симплекса 4-6-7
- •Координаты симплекса 6-7-8
- •9.7 Градиентные методы экспериментальной оптимизации
- •9.7.1 Метод градиента
- •9.7.2 Метод крутого восхождения
- •План-матрица пфэ и его результаты
- •Расчеты для движения по градиенту
- •Реализация мысленных опытов
- •9.7.3 Особенности решения задач экспериментальной оптимизации
- •9.8 Вопросы для самоконтроля
9.5 Итерационные методы направленного поиска
Методы направленного поиска могут реализовываться как численные, при условии вычисляемости целевой функции и известном алгоритме для расчёта значений критерия оптимальности при заданных значениях факторов. В них происходит движение в факторном пространстве в сторону искомого экстремума целевой функции. Движение может осуществляться также путём постановки эксперимента (т.е. эмпирическим путём).
Направленный поиск дает надежный результат, если функция унимодальна, т. е. в допустимой области значений факторов она имеет только один экстремум нужного знака (один максимум или один минимум).
Если F(х) имеет несколько экстремумов, то методы направленного поиска не позволяют установить, в какой экстремум попали – в глобальный (экстремальный для всей области) или локальный, так как другие точки могут оказаться выше (для максимума) или ниже (для минимума).
Рассмотрим два распространённых итерационных метода одномерного поиска: метод дихотомии и метод золотого сечения. Известны и другие итерационные методы одномерного поиска.
Наименьший интервал неопределенности, которого можно достичь при поиске оптимума целевой функции Y = F(х), составляет 2, где – наименьший сдвиг, при котором можно обнаружить различие между результатами двух соседних опытов. В рассматриваемых далее примерах – погрешность решения.
9.5.1 Метод дихотомии
В методе дихотомии на каждом шаге производят два опыта в середине интервала неопределенности на расстоянии друг от друга (рис. 9.3).
Рис. 9.3 График поиска максимума методом дихотомии
Сравнивают их результаты и устанавливают, в какой части интервала неопределённости (слева или справа от середины) продолжать поиск оптимума.
На каждом последующем шаге процедуру повторяют, и так до тех пор, пока интервал неопределённости составит менее 2.
Рассмотрим пример, в котором реализован численный поиск экстремума целевой функции.
Необходимо методом дихотомии определить минимальное значение функции на отрезке [0; 1]. Точку x* (искомое решение) следует найти c абсолютной погрешностью = 0,05.
Приблизительно можно принять, что
,
где an, bn – соответственно, левая и правая границы интервала неопределенности после проведения n шагов.
Тогда погрешность определения x не будет превышать .
1-й шаг. [0; 1]
;
.
2-й шаг. Из условия унимодальности f(x) принимаем [0; 0,525]. Интервал неопределенности больше 2 = 0,1. Продолжаем поиск:
;
.
3-й шаг. . Интервал неопределенности больше 2. Продолжаем поиск:
;
.
4-й шаг. . Интервал неопределенности больше 2. Продолжаем поиск:
;
.
5-й шаг. . Интервал неопределенности равен , т.е. меньше 2. Поэтому:
.
Все вычисления в компактной форме можно представить в виде таблицы 9.1, где нечетные xi обозначены буквой c, а четные – буквой d.
Таблица 9.1
Результаты вычислений по методу дихотомии
а |
b |
c |
d |
f(с) |
f(d) |
h |
0 |
1 |
0,525 |
0,475 |
–1,139093 |
–1,156701 |
|
0 |
0,525 |
0,2875 |
0,2375 |
–1,167444 |
–1,155261 |
0,2625 |
0,2375 |
0,475 |
0,38125 |
0,33125 |
–1,173393 |
–1,173248 |
0,11875 |
0,33125 |
0,475 |
0,428125 |
0,378125 |
–1,167762 |
–1,173570 |
0,071875 |
0,33125 |
0,38125 |
|
|
|
|
0,05 |