- •1. Введение: предпосылки создания аиус. Эволюция систем автоматизации
- •1.1. Эволюция систем автоматизации
- •1.2. Цели и задачи курса
- •2. Автоматизированные информационно – управляющие системы
- •2.1 Общие понятия
- •2.2 Иерархия автоматизированных информационно – управляющих систем
- •Асутп. Определения и функции
- •Классификация аиус
- •Разновидности аиус по характеру объекта управления (оу)
- •2.4.1.1. Объекты с непрерывным характером процесса
- •2.4.1.2. Объекты управления с дискретным характером процесса
- •2.4.5.2 Асутп с цсои, выполняющим информационные функции
- •2.4.5.3. Асутп с цсои, выполняющим управляемые функции в режиме советника
- •2.4.5.4. Асутп с цсои, выполняющим супервизорное управление
- •2.4.5.5. Асутп с цсои, выполняющим непосредственное управление
- •2.5. Системы автоматического управления на основе цифровых средств обработки информации (цсои)
- •2.6 Требования к аиус. Состав обеспечивающих подсистем аиус. Этапы создания аиус
- •3. Математическое обеспечение аиус
- •3.1 Математическая модель. Общие понятия о математической модели
- •3.2 Понятия об идентификации объекта управления
- •3.2.1. Параметрическая идентификация
- •3.2.2. Полная идентификация
- •Разработка моделей динамических процессов обобщенным экспериментальным методом (методом Калмана)
- •Проведение эксперимента. (этап 1)
- •Выбор модели. (этап 2)
- •Группировка данных. (этап 3)
- •Вычисление коэффициентов а0 и в0. (этап 4)
- •Проверка полученной математической модели на адекватность (этап 5)
- •Выбор модели объекта в виде разностного уравнения более высокого порядка. (Этап 6)
- •Разработка неформальных математических моделей
- •4. Алгоритмическое обеспечение аиус
- •Общие вопросы алгоритмизации
- •4.2. Алгоритмы сбора, первичной обработки данных и контроля состояния объекта
- •4.3. Алгоритмы плу
- •4.4 Алгоритмы цифрового двухпозиционного регулирования
- •4.5 Алгоритмы цифрового регулирования по рассогласованию
- •4.6 Алгоритм оптимального управления
- •4.6.1 Общие сведения о методах оптимизации
- •4.6.2 Построение линейной операционной модели для решения задач оперативного планирования производства
- •4.6.3. Сведения о решении задачи линейного программирования
- •4.6.4. Алгоритм симплексного метода
- •4.6.5 Пример поиска оптимального плана
- •4.7 Алгоритм календарного планирования и оперативное управление в аиус
- •4.7.1 Дискретное производство и планирование производственных процессов
- •4.7.2 Математическое моделирование и методы планирования дискретного производства
- •4.7.3 Математическая постановка задачи оперативного календарного планирования
- •4.7.3.1. Формализация характеристик технологических операций
- •4.7.3.2. Математическая постановка задачи оперативно-календарного планирования
- •4.7.3.3. Пример: построения оптимального двухоперационного плана (календарного плана)
4.6.3. Сведения о решении задачи линейного программирования
Для поставленной задачи ЛП в общем виде вводим следующие обозначения:
-
WC1X1….CnXnextr
-
a11x1+…….a1nxn=b1
………………………………..
am1x1+ …amnxn=bn
3) x1≥0, … xn≥0
Обозначим m — число уравнений, n — число неизвестных. Анализ систем (2) и (3) показывает что, может иметь место следующие случаи:
-
m=n: в этом случае решение системы уравнений (если уравнения совместимы) единственное и задача оптимизации решаться не может, т.к. область, в пределах которой может осуществляться поиск минимума или максимума критерия эффективности W обращается в точку
-
m>n: фактически соответствует предыдущему случаю.
-
m<n: в этом случае можно рассчитывать на то, что существует область, допустимых решений в рамках которой можно отыскивать экстремум, и, следовательно, такая задача может решаться как оптимизационная.
Анализ системы ограничений (2) и (3) показывает, что могут иметь место следующие случаи:
-
Условия (2) и (3) противоречивы, т.е. не существует неотрицательного набора чисел Х1,…,Хn, удовлетворяющих системе (2).
-
Условия (2) и (3) непротиворечивы, но область неопределенна или не ограничена, т.е. существуют наборы чисел Х1,…,Хn которые принимают сколь угодно большие значения.
-
Условия (2) и (3) совместны, в этом случае область определена и ограничена. В последнем случае может быть найдено оптимальное решение.
ОП. 1: Допустимое решение – это всякое неотрицательное решение Х10,…, Хn0 (или неотрицательный набор значений Х1,…,Хn), удовлетворяющий системе ограничений (2)
ОП. 2: Оптимальное решение – это одно из допустимых решений системы уравнений (2), обращающее в минимум критерий эффективности (1).
Доказано в линейной алгебре, что:
Если m<n, то часть переменных, число которых k=n-m, могут принимать произвольные (в определенных пределах) положительные значения. Эти переменные называются свободными (СП).
Другая часть переменных, число которых m, всегда могут быть аналитически выражены через СП и такие переменные называются базисными (БП). Они не могут принимать произвольные значения, т.к. определяются исходя из системы уравнений (2), при заданных значениях свободных переменных.
В том случае, если k=2, то задачу линейного программирования можно представить (отобразить) в рамках 3-х мерного пространства, что дает возможность дать геометрическую интерпретацию и наглядно показать и понять суть метода поиска оптимального решения.
Рассмотрим конкретный пример:
n=5, m=3, k=2
Поскольку выбор свободных переменных, количество которых k=2, – произвольный, то в их качестве выбираем X1 и X2. В таком случае базисные переменные: X3, X4, X5.
Выразим базисные переменные через свободные переменные.
Построим в пространстве (плоскости) Х1ОХ2 т.н. допустимые полуплоскости, в которых соответствующие переменные имеют положительные (допустимые) значения.
Рис. 4.6.3. График области допустимых решений.
Построив линии Х1=0 и Х2=0, перейдем к Х3=0. Для этого правую часть в (2) приравняем к 0: 6–X1–X2=0 (Х1=0 Х2=6),(Х2=0, Х1=6). Каждая из линий Х1=0,…, Х5=0 (рис 4.6.3) делит плоскость на две полуплоскости, причем одна из них называется допустимой, в которой соответствующая переменная принимает положительное значение. Геометрическое место точек в пространстве {Х1,0, Х2} которое является общим для всех допустимых полуплоскостей одновременно, называется областью допустимых решений (ОДР).
Обратите внимание! В каждой из вершин плоской ОДР (в 2-хмерной плоскости) — обязательно какие-либо 2 переменные, равны нулю. Доказано, что для k2 в общем случае ОДР представляет собой выпуклый многогранник в k–мерном пространстве. В вершине такого многогранника всегда k переменных, равных нулю. Это важный вывод и на нем базируется симплекс-метод поиск оптимального решения.
Теперь продолжим построение.
Рис. 4.6.3.2. График нахождения минимума W.
Изобразим в системе координат {W,X,0,X2} ОДР и плоскость, соответствующую уравнению линейной функции W=X1+X2+2. Из рисунка можно сделать вывод, что W=Wmin в одной из вершин ОДР (Х1=0; Х2=0; Wmin=2). Этот факт не случаен, а закономерен. Т.е. доказано, что W=Wmin всегда в одной из вершин ОДР. А данная геометрическая интерпретация это лишь наглядное подтверждение, что минимум значения W достигается в одной из вершин ОДР представляющей собой выпуклый многоугольник.
В общем случае, т.е. когда решение ищется в k-мерном пространстве и K>2, доказано, что W достигает минимального значения в одной из вершин выпуклого многогранника в k–мерном пространстве и в каждый из этих вершин какие-либо k переменных равны нулю. На этих выводах базируется симплекс-метод, позволяющий находить оптимальные решения задач линейного программирования. Рассмотрим суть этого алгоритма.