- •§ 1. Терминология теории систем
- •§ 2. Законы развития
- •Единство и борьба противоположностей (причина развития)
- •Переход количественных изменений в качественные (механизм развития)
- •Отрицание отрицания (путь развития)
- •§ 3. Роль информации в описании систем
- •§ 4. Модели и процесс познания (чёрный ящик)
- •§ 4.1. Понятие модели. Базовые свойства моделей
- •§ 4.2. Классификация моделей
- •§ 4.3. Свойства моделей
- •§ 4.4. Чёрный ящик
- •§ 5. Классификация систем
- •§6. Декомпозиция сложных объектов (разделение на элементы на примере тс)
- •§ 7. Оптимизация
- •§ 7.1. Терминология задач оптимизации
- •§ 7.2. Прямые и обратные задачи оптимизации
- •§ 7.3. Постановка задачи оптимизации (обратной задачи исо) в общей форме
- •§ 7.4. Задачи линейного программирования
- •§ 7.5. Основная задача линейного программирования
- •§ 7.6. Геометрическая интерпретация озлп
- •§ 8. Многокритериальная оптимизация.
- •§ 9. Проблема выбора оптимального решения в условиях неопределенности
- •§ 10. Управление как процесс
- •§ 10.1. Схема процесса управления
- •§ 10.2. Этапы управления
- •Тема 11. Анализ технических систем (технических объектов – то)
- •§11.1. Формализованное описание то
- •§11.1.1. Потребность или функция
- •§11.1.2. Техническая функция
- •§11.1.3. Функциональная структура
- •§11.1.4. Физический принцип действия
- •§11.1.5. Техническое решение и проект
- •§11.2. Задачи поиска и выбора решений. Параметрическая и структурная оптимизация
§ 7.2. Прямые и обратные задачи оптимизации
Задачи исследования операций делятся на две категории: прямые и обратные.
Прямые задачи отвечают на вопрос: «Что будет, если...?» Что будет, если в заданных условиях мы примем некоторое решение х X? В частности, чему будет равен, при данном решении х, выбранный показатель эффективности W? Для решения такой задачи строится математическая модель, позволяющая выразить один или несколько показателей эффективности через заданные условия и элементы решения.
Обратные задачи отвечают на вопрос: «Как сделать, чтобы…?» Как выбрать решение х для того, чтобы показатель эффективности W обратился в максимум?
Очевидно, что прямые задачи проще обратных и что для решения обратной задачи прежде всего надо уметь решать прямую. Для некоторых типов операций прямая задача решается настолько просто, что ею специально не занимаются. Для других типов операций построение математических моделей и вычисление показателя эффективности само по себе далеко не тривиально. Обратная задача и есть задача оптимизации.
§ 7.3. Постановка задачи оптимизации (обратной задачи исо) в общей форме
Пусть есть некоторая операция 0, на успех которой мы можем влиять, выбирая тем или другим способом решение х (вспомним, что х — не число, а целая группа параметров). Пусть эффективность операции характеризуется одним показателем W max.
Пусть все условия операции полностью известны заранее, не содержат неопределенности. Тогда все факторы, от которых зависит успех операции, - это зависящие от нас элементы решения, образующие в своей совокупности решение х.
Показатель эффективности W зависит от элементов решения и от ограничивающих факторов. Это мы запишем в виде формулы:
W=W(,x) (1)
Будем считать, что вид зависимости (1) нам известен, т. е. прямая задача решена. Тогда обратная задача формулируется следующим образом:
Найти такое решение х = х*, которое обращает показатель эффективности W в экстремум, например, в максимум. W* = max {W (, х)}. (2)
xX
Формула (2) читается так: W* есть максимальное значение W(х), взятое по всем решениям, входящим в множество возможных решений X.
Если число возможных вариантов решения, образующих множество X, невелико, то можно попросту вычислить величину W для каждого из них, сравнить между собой полученные значения и непосредственно указать один или несколько оптимальных вариантов, для которых W достигает максимума. Такой способ нахождения оптимального решения называется «простым перебором». Однако, когда число возможных вариантов решения, образующих множество X, велико, поиск среди них оптимального «вслепую», простым перебором, затруднителен, а зачастую практически невозможен. В этих случаях применяются методы «направленного перебора», обладающие той общей особенностью, что оптимальное решение находится рядом последовательных «попыток» или «приближений», из которых каждое последующее приближает нас к искомому оптимальному.
Существует целый набор численных методов отыскания экстремумов, некоторые из них включают элемент «случайного поиска», который для многомерных задач нередко оказывается эффективнее упорядоченного перебора.