- •1 Основные понятия: модель, моделирование
- •6 В чем отличие прямых и обратных задач
- •5 В чем отличие между множеством допустимых решений и оптимальным решением?
- •7 Как можно классифицировать модели принятия оптимальных решений?
- •8.Сформулируйте определение обратной детерминированной задачи
- •9 Приведите пример задачи на стохастическую (вероятностную) определенность
- •11 Что такое целевая функция?
- •13 В чем отличие допустимых решений от оптимальных
- •14 Сформулируйте алгоритм решения задачи двумерного линейного программирования при помощи графического метода
- •15 В каком случае двумерная задача программирования не имеет решения
- •16 Как находится линия уровня
- •17В чем отличие задач нахождения максимума целевой функции от задач нахождения минимума целевой функции
- •20Почему симплекс-метод считается основным в задачах линейного программирования
- •21 Приведите пример транспортной задачи
- •23 В чем суть метода потенциалов?
- •24 Что находится изначально: опорный план перевозок или оптимальный план перевозок? Дайте определение задачам нелинейного программирования.
- •25 Задачи нелинейного программирования.
- •26 Задачи безусловной однопараметрической оптимизации.
- •27 Численный метод решения задачи.
- •28 Многошаговые задачи.
- •30 Алгоритм метода последовательных приближений в два круга.
- •32 Граф
- •33 Разновидности графов
- •35 Использование понятия дерева в информатике и программировании.
- •37. Данная задача может быть разбита на две 2 типа:
- •39. Задача о нахождении максимального потока.
- •40 Алгоритм
- •41. Основные понятия и определения теории планирования эксперимента.
- •42. Выбор математической модели.
- •43. Методы оптимизации.
- •44. Основной факторный эксперимент построения матрицы планирования. Полный факторный эксперимент
43. Методы оптимизации.
Задачей оптимизации в математике называется задача о нахождении экстремума (минимума или максимума) вещественной функции в некоторой области. Как правило, рассматриваются области, принадлежащие Rn и заданные набором равенств и неравенств.
Классификация методов оптимизации
Методы оптимизации классифицируют в соответствии с задачами оптимизации:
Локальные методы: сходятся к какому-нибудь локальному экстремуму целевой функции. В случае унимодальной целевой функции, этот экстремум единственен, и будет глобальным максимумом/минимумом.
Глобальные методы: имеют дело с многоэкстремальными целевыми функциями. При глобальном поиске основной задачей является выявление тенденций глобального поведения целевой функции.
Существующие в настоящее время методы поиска можно разбить на три большие группы:
детерминированные; случайные (стохастические); комбинированные.
По критерию размерности допустимого множества, методы оптимизации делят на методы одномерной оптимизации и методы многомерной оптимизации.
По виду целевой функции и допустимого множества, задачи оптимизации и методы их решения можно разделить на следующие классы:
Задачи оптимизации, в которых целевая функция f(x) и ограничения gi(x), i=1,…,m являются линейными функциями, разрешаются так называемыми методами линейного программирования.
В противном случае имеют дело с задачей нелинейного программирования и применяют соответствующие методы. В свою очередь из них выделяют две частные задачи:
если f(x) и gi(x), i=1,…,m — выпуклые функции, то такую задачу называют задачей выпуклого программирования;
если X ﮯ Z, то имеют дело с задачей целочисленного (дискретного) программирования.
По требованиям к гладкости и наличию у целевой функции частных производных, их также можно разделить на:
прямые методы, требующие только вычислений целевой функции в точках приближений;
методы первого порядка: требуют вычисления первых частных производных функции;
методы второго порядка: требуют вычисления вторых частных производных, то есть гессиана целевой функции.
Помимо того, оптимизационные методы делятся на следующие группы:
аналитические методы (например, метод множителей Лагранжа и условия Каруша-Куна-Таккера); численные методы; графические методы.
44. Основной факторный эксперимент построения матрицы планирования. Полный факторный эксперимент
Первый этап планирования эксп для получения линейной модели основан на варьировании факторов на двух уровнях. В этом случае, если число факторов известно, можно сразу найти число опытов, необходимое для реализации всех возможных сочетаний уровней факторов. Простая формула, которая для этого используется: , где N – число опытов, k– число факторов, 2 – число уровней. В общем случае эксперимент, в котором реализуются все возможные сочет-я уровней факт-в, назыв-я полным факторным экспериментом. Если число уров-й каждого фак-а равно 2, то имеем полный факт-й экспе римент типа 2k.
Нетрудно написать все сочетания уровней в экспе рименте с двумя факторами. Напомним, что в планиро вании эксперимента используются кодированные значения факторов: +1 и –1. Условия эксперимента можно записать в виде таблицы-матрицы план:
№ опыта |
x1 |
x2 |
y |
1 |
–1 |
–1 |
y1 |
2 |
+1 |
–1 |
y2 |
3 |
–1 |
+1 |
y3 |
4 |
+1 |
+1 |
y4 |
Если для 2 факторов все возможные комбинации уровней легко найти прямым перебором (или просто запомнить), то с ростом числа факторов возникает необходимость в некотором приеме построения матриц. три приема постр:, основанные на переходе от матриц меньшей размерности к матри цам большей размерности.
45. Рассмотрим первый план построения матриц. При добав лении нового фактора каждая комбинация уровней исход ного плана встречается дважды: в сочетании с нижним и верхним уровнями нового фактора. Отсюда естественно появляется прием: записать исходный план для одного уровня нового фактора, а затем повторить его для другого уровня. Вот как это выглядит при переходе от экспери мента 22 к 23:
№ опыта |
x1 |
x2 |
x3 |
y |
1 |
– |
– |
+ |
y1 |
2 |
+ |
– |
+ |
y2 |
3 |
– |
+ |
+ |
y3 |
4 |
+ |
+ |
+ |
y4 |
5 |
– |
– |
– |
y5 |
6 |
+ |
– |
– |
y6 |
7 |
– |
+ |
– |
y7 |
8 |
+ |
+ |
– |
y8 |
Этот прием распространяется на построение матриц любой размерности.