- •Методы оптимизации в задачах большой размерности
- •Декомпозиция систем
- •Метод декомпозиции Данцига-Вульфа
- •Принцип декомпозиции
- •Описание алгоритма декомпозиции
- •Ограниченная координирующая задача
- •Варианты декомпозиции прямой задачи
- •10.2 Декомпозиция на основе разделения переменных
- •Метод разделения переменных Бендерса
- •10.3 Декомпозиция Корнаи-Липтака
- •10.4 Метод декомпозиции на основе агрегирования в задачах большой размерности.
- •Постановка и математическая модель задачи
- •Задача в агрегированных переменных
- •Локальная монотонность и сходимость метода.
- •Описание алгоритма агрегирования
- •Декомпозиция на основе агрегировання для общей модели отраслевого планирования.
- •10.5. Метод декомпозиции на основе агрегирования в задачах нелинейного программирования Задача квадратичного программирования
- •Задача выпуклого программирования
- •Описание алгоритма декомпозиции на основе агрегування для задач квадратичного программирования
Локальная монотонность и сходимость метода.
Доказательство сходимости алгоритма декомпозиционного метода агрегирования базируется на доказательстве роста функционала от дезагрегированных решений на каждом шаге итеративного процесса. Данный факт выводится на основании исследования дифференциальных свойств функции . Рассмотрим невырожденный случай. Справедлива следующая теорема.
Теорема 10.5. Пусть при некоторых коэффициентах { } получено оптимальное решение задачи в агрегированных переменных (10.4.13) и двойственная задача имеет единственное решение{ }. Пусть дезагрегированное решение , где не является оптимальным решением для исходной задачи (10.4.6)-(10.4.10). Тогда существует допустимое решение для задачи (10.4.6)-(10.4.10) со строго большим значением функционала, чем .
Доказательство этой теоремы приводится в (52).
Исследуем теперь вопрос о сходимости итеративного метода. Пусть некоторому фиксированному шагу с номером n рассматриваемого процесса соответствуют весовые коэффициенты агрегирования . Пусть - оптимальное решение для задачи в агрегированных переменных (10.4.13)-(10.4.16) для весовых коэффициентов , а , где -соответствующее дезагрегированное решение. Наконец, величины - единственное решение двойственной задачи (10.4.21)-(10.4.24) в простом случае. Положим для шага n (итерации) алгоритма
Пусть по определению . Справедливо следующее утверждение о сходимости метода.
Теорема 10.6. Пусть для весовых коэффициентов , удовлетворяющих условиям (10.4.12), оптимальные значения задач в агрегированных переменных (10.4.13)-(10.4.16) ограничены сверху, оптимальные значения ограничены снизу положительной константой, а множества оптимальных решений двойственных макрозадач (10.4.21)-(10.4.24) ограничены в совокупности. Тогда последовательность дезагрегированных решений является максимизирующей и из нее можно выделить подпоследовательность, сходящуюся к оптимальному решению исходной задачи (10.4.6)-(10.4.10).
Доказательство теоремы следует из того, что монотонно возрастающая в силу теоремы 10.5 и ограниченная по предположению последовательность имеет предел.
Описание алгоритма агрегирования
Используя вышеизложенные теоретические положения,опишем алгоритм декомпозиции на основе агрегирования для задачи (10.4.6)-(10.4.10).
Предварительный этап.
Зададимся начальными весовыми коэффициентами агрегирования .
Запишем задачу в агрегированных переменных (10.4.13)-(10.4.16) и найдем ее решение (0), , а также соответствующее дезагрегированное решение { (0)} и двойственные оценки величин , .
Для заданного набора оценок { } сформируем блочные задачи вида (10.4.25)-(10.4.27), находим их решения , а также величину критерия .
Если , то конец, найденное дезагрегированное решение { } - оптимально, иначе - переход к первой итерации.
k-ая итерация. Пусть уже проведена (k-1)-я итерация и .
Записываем новые коэффициенты агрегирования в соответствии с (10.4.31).
Будем искать максимум функции в единичном гиперкубе (то есть при ). Если принять , то задача сводится к одномерному поиску максимума , которую решаем методом Фибоначчи (см.гл.6).
Находим оптимальные значения и соответствующие им новые значения весовых коэффициентов { (k)}, агрегированных {xi(k)}, и дезагрегированных переменных{ }.
Строим матрицу вида , находим ее минимальный элемент (j*,k*) и определяем оптимальные двойственные оценки в соответствии с (10.4.48).
Решаем блочные задачи (10.4.25)-(10.4.27), находим их оптимальные решения { }, а также (k).
Проверяем условие оптимальности . Если оно выполняется, то конец, текуще дезагрегированное решение - оптимально, иначе переходим к (k+1)-й итерации.
Пример 10.4.
Максимизировать
при условиях
Выберем такие начальные значения коэффициентов =0,5; =0,5; =0,8; =0,2. Оптимальное решение макрозадачи для этих коэффициентов =1,476; =0,476; =0,476. Компоненты матрицы левой части (10.4.42) следующие : 1,476; 1,555; 1,558; 1,909.
Дезагрегированное решение: x11(0)=0,238; x21(0)=0,238; x12(0)=0,321; x22(0)=0,095.
Блочные задачи имеют решения (0)=0 ; (0)=0,5 ; (0)=0 ; (0)=0,333. Находим величину (0)= (0)- (0)=0,126.
Первая итерация. В результате ее выполнения получаем
.
Весовые коэффициенты равны: .
Компоненты матрицы вида (10.4.42) следующие: 1,588 ; 1,625 ; 1,526 ; 1,588.
Дезагрегированное решение:
Оптимальные решения блочных задач:
Вторая итерация. В результате ее выполнения получаем точное оптимальное решение. Имеем .
Весовые коэффициенты равны : .
Дезагрегированное решение: , оно совпадает с оптимальным решением данной задачи. Матрица вида (10.4.42) имеет вид: [1,583 ; 1,583 ; 1,583 ; 1,583], то есть минимум достигается сразу на всех четырех элементах. Тем не менее оптимальные двойственные оценки вычисляются по невырожденной двойственной макрозадаче. Наконец: , .
В общем случае при решении задач произвольной размерности блочные задачи решаются симплекс-методом, а для нахождения седловой точки целесообразно использовать методы, изложенные в гл.6, например, обобщенный градиентный метод.