- •Введение
- •Тема 1 Математическое программирование и оптимизация
- •1.1 Эволюция развития математических методов и моделей в экономике
- •1.2 Классификация экономико-математических моделей
- •1.3 Математическое программирование
- •1.4 Оптимизация в математике и ее методы
- •1.5 Метод Монте-Карло
- •1.5.1 Алгоритм Бюффона для определения числа Пи
- •1.5.2 Связь стохастических процессов и дифференциальных уравнений
- •1.5.3 Рождение метода Монте-Карло в Лос-Аламосе
- •1.5.4 Дальнейшее развитие и современность
- •1.5.5 Интегрирование методом Монте-Карло
- •1.5.6 Обычный алгоритм Монте-Карло интегрирования
- •1.5.7 Геометрический алгоритм Монте-Карло интегрирования
- •Тема 2 Линейное программирование
- •2.1 Общая задача линейного программирования
- •2.2 Основная задача лп (озлп)
- •2.3 Симплекс-метод линейного программирования
- •2.4 Двойственные задачи линейного программирования
- •2.5 Целочисленное линейное программирование
- •2.6 Параметрическое линейное программирование
- •2.7 Дробно-линейное программирование
- •2.8 Блочное программирование
- •2.9 Теория графов
- •2.10 Транспортная задача
- •2.10.1 Общая характеристика транспортной задачи
- •2.10.2 Математическая модель транспортной задачи
- •Тема 3 Нелинейное программирование
- •3.1 Методы нелинейного программирования
- •3.2 Метод множителей Лагранжа
- •3.3 Сепарабельное программирование
- •3.4 Выпуклое программирование
- •3.5 Квадратичное программирование
- •3.6 Геометрическое программирование
- •3.7 Динамическое программирование
- •3.8 Стохастическое программирование
- •Тема 4 Межотраслевой баланс и сетевое моделирование
- •4.1 Задача межотраслевого баланса
- •4.2 Балансовая модель Леонтьева
- •4.3 Модели межотраслевого баланса в планировании инновационных программ
- •4.3.1 Однопродуктовая динамическая макроэкономическая модель
- •1) Открытая однопродуктовая динамическая модель Леонтьева
- •2) Замкнутая однопродуктовая модель Леонтьева
- •4.4 Сетевая модель данных
- •4.4.1 Историческая справка
- •4.4.2 Основные элементы сетевой модели данных
- •4.4.3 Особенности построения сетевой модели данных
- •4.4.4 Операции над данными сетевой модели
- •4.4.5 Использование сетевой модели
- •4.5 Сетевой график
- •4.6 Методика составления сетевого графика
- •5. Задачи оптимального проектирования
- •5.1. Постановка задачи оптимального проектирования
- •5.1.1. Основные понятия и определения
- •5.2. Пример задачи оптимального проектирования
- •5.3. Классификация задач оптимального проектирования
- •Первая постановка
- •5.4 Определение уравнений линейной регрессии
- •5.7. Методика получения исходных данных
- •5.3. Решение задач оптимального проектирования
- •5.3.1. Оптимизация параметров изделия
5.7. Методика получения исходных данных
Если исходных данных, необходимых для определения уравнения регрессии нет, то их можно получить в результате проведения эксперимента. При этом прежде, чем его проводить, необходимо составить план его проведения, включающий два вопроса:
какие значения следует назначать переменным в эксперименте;
в каком сочетании различным переменным должны назначаться принятые значения.
Определяя значения переменных, задаваемых при проведении эксперимента, удобно от их абсолютных значений хj перейти к относительным yj. Этот переход производится следующим образом:
(5.9)
(5.10)
(5.11)
где аj, b — задаваемые граничные условия в задаче оптимизации:
aj xj bj.
Если в (5.9) подставить xj = aj, то получим значение относительной переменной j на нижней границе
Аналогично получим на верхней границе
yjВГ=1.
Среднее значение
yjср=0
Обратный переход от относительных значений к абсолютным, как это следует из (5.9), производится по зависимости
(5.12)
С точки зрения числа различных значении, которые назначают переменным в эксперименте, эксперименты бывают двух видов:
двухуровневые;
трехуровневые.
В двухуровневом эксперименте переменным придаются значения . В результате такою эксперимента может быть определено уравнение только линейной регрессии, кого рая, как правило, не отражает фактические зависимости и по этому имеет низкое значение оценки достоверности R2. Для получения достоверных уравнений регрессии следует проводить трехуровневые эксперименты, в которых переменным назначаются три значения:yНГ=-1, yср=0, yВГ=1. Таков ответ на первый вопрос.
Теперь перейдем ко второму вопросу: в каком сочетании следует придавать установленные значения различным переменным. Начнем с двух переменных. Возможные сочетания значений переменных, для краткости будем их называть планом эксперимента, который для двухуровневого эксперимента приведен на рис. 5.9, план трехуровневого эксперимента — на рис. 5.10.
N22=22=4 N23=23=8
N |
y1 |
y2 |
|
N |
y1 |
y2 |
y3 |
1 |
1 |
1 |
|
1 |
1 |
1 |
1 |
2 |
1 |
-1 |
|
1 |
1 |
1 |
-1 |
3 |
-1 |
1 |
|
3 |
1 |
-1 |
1 |
4 |
-1 |
-1 |
|
4 |
1 |
-1 |
-1 |
|
5 |
-1 |
1 |
1 |
|||
Рис. 5.9 |
6 |
-1 |
1 |
-1 |
|||
|
7 |
-1 |
-1 |
1 |
|||
|
8 |
1 |
-1 |
-1 |
Рис. 5.10
Из этих планов видно, что число проводимых экспериментов может быть определено по зависимости
Nns=Sn,
где S — число уровней,
n — число переменных.
Аналогичные планы эксперимента для трех переменных приведены для двухуровневого эксперимента на рис. 5.11, для трехуровневого — на рис. 5.12.
N |
y1 |
y2 |
y3 |
|
N |
y1 |
y2 |
y3 |
||
1 |
1 |
1 |
1 |
|
1 |
1 |
1 |
1 |
||
1 |
1 |
1 |
-1 |
|
2 |
1 |
1 |
0 |
||
3 |
1 |
-1 |
1 |
|
3 |
1 |
1 |
-1 |
||
4 |
1 |
-1 |
-1 |
|
4 |
1 |
0 |
1 |
||
5 |
-1 |
1 |
1 |
|
5 |
1 |
0 |
0 |
||
6 |
-1 |
1 |
-1 |
|
6 |
1 |
0 |
-1 |
||
7 |
-1 |
-1 |
1 |
|
7 |
1 |
-1 |
1 |
||
8 |
-1 |
-1 |
-1 |
|
8 |
1 |
-1 |
0 |
||
|
|
|
|
|
9 |
1 |
-1 |
-1 |
||
|
Рис. 5.11 |
|
|
10 |
0 |
1 |
1 |
|||
|
|
|
|
|
11 |
0 |
1 |
0 |
||
|
|
|
|
|
… |
|
|
|
||
|
|
|
|
|
26 |
-1 |
-1 |
0 |
||
|
|
|
|
|
27 |
-1 |
-1 |
-1 |
Рис. 5.12
Итак, с одной стороны мы знаем минимальное количество экспериментов, необходимое для определения коэффициентов в уравнении регрессии (5.7), с другой стороны - нам известно, как планировать двух- и трехуровневые эксперименты. Сравним эти величины. В таблице на рис. 5.13 приведены следующие значения:
n — число переменных,
М _ число коэффициентов, которые надо определить в уравнении нелинейной регрессии, в виде полинома 2-й степени:
К — минимальное количество экспериментов, необходимое для вычисления коэффициентов в уравнении регрессии
К = М + 2,
2n - количество экспериментов в двухуровневом плане,
3n — количество экспериментов в трехуровневом плане.
n |
M |
2n |
k |
3n |
Nнедост. |
Nизлиш. |
2 |
6 |
4 |
8 |
9 |
4 |
1 |
3 |
10 |
8 |
12 |
27 |
4 |
15 |
4 |
15 |
16 |
17 |
81 |
1 |
64 |
5 |
35 |
32 |
37 |
243 |
5 |
206 |
Рис. 5.13
Из рис. 5.13 видно, что минимально потребное число экспериментов К находится в пределах 2n < К < Зn,
следовательно, для рассматриваемого вида уравнения регрессии двухуровневых экспериментов недостаточно, а трехуровневые в полном объеме являются излишними. Сравнение этих величин приведено в двух последних столбцах таблицы:
Nнедост. = К – 2n.
Nизл.,=3n - K.
Таким образом, проведение трехуровневого эксперимента обеспечит получение исходных данных, достаточных для определения коэффициентов регрессии, но возникает вопрос, как осуществить план эксперимента без проведения излишних экспериментов. Такие планы называются композиционными. Известен целый ряд подходов к их составлению. Для решения нашей основной задачи — определения ограничений в задаче оптимизации — наиболее подходящим является следующий:
1. Принять за основу план двухуровневого эксперимента.
2. Определить недостающее число экспериментов. nнедост. = К – 2n.
3. Вычисленное число недостающих экспериментов Nнедост провести при среднем значении у= 0. В качестве примера на рис. 5.14 приведен композиционный план такого эксперимента для n=3
-
№
y1
y2
y3
1
1
1
1
2
1
1
-1
3
1
-1
1
4
1
-1
-1
5
-1
1
1
6
-1
1
-1
7
-1
-1
1
8
-1
-1
-1
9
0
0
0
10
0
0
0
11
0
0
0
12
0
0
0
Рис. 5.14
В этом плане первые 8 экспериментов представляют собой двухуровневый план, приведенный на рис. 5.12, а дополнительные 4 эксперимента проводятся при средних значениях у = 0. В результате проведения эксперимента по такому плану будет получено количество исходных данных, необходимых для определения уравнения регрессии в виде полинома 2-й степени. Аналогично могут быть составлены композиционные планы для любого числа переменных n. И, в заключение, приведем последовательность работ для получения необходимого количества исходных данных.
Алгоритм 2 Последовательность работ, необходимых для получения исходных данных
1. Определить число переменных n в задаче оптимизации.
2. Принять вид уравнения регрессии и установить число искомых коэффициентов и необходимых исходных данных.
3. Составить план проведения эксперимента для определения значений переменных.
4. Перейти к абсолютным значениям переменных х; по зависимостям
xj=xjср+xj,
где xjср, xj определяются по (5.10) и (5.11). Составить таблицу для проведения эксперимента в форме рис. 5.15.
Таблица (рис. 5.15) составлена для трех переменных x1, x2, х3 и двух искомых функций, определяемых в результате эксперимента у1, у2.
N |
x1 |
x2 |
x3 |
y1 |
y2 |
1 |
b1 |
b2 |
b3 |
|
|
2 |
b1 |
b2 |
a3 |
|
|
3 |
b1 |
a2 |
b3 |
|
|
4 |
b1 |
a2 |
a3 |
|
|
5 |
a1 |
b2 |
b3 |
|
|
6 |
a1 |
b2 |
a3 |
|
|
7 |
a1 |
a2 |
b3 |
|
|
8 |
a1 |
a2 |
a3 |
|
|
9 |
x1ср |
x2ср |
x3ср |
|
|
0 |
x1ср |
x2ср |
x3ср |
|
|
1 |
x1ср |
x2ср |
x3ср |
|
|
2 |
x1ср |
x2ср |
x3ср |
|
|
Рис. 5.15
5. Провести эксперименты по принятому плану.
6. Для каждого сочетания значений xj записать результат эксперимента для значений y1, у2.
Полученная таблица представляет собой исходные данные, необходимые для определения уравнения регрессии. Очевидно, что приведенная методика дает возможность составить план эксперимента для любого количества переменных и определяемых функцией.