Оптимизация
; Y= ; X- входные, Y-выходные параметры
- cвёртывание векторного критерия
Целевые функции (ЦФ)
Однопараметрические Многопараметрические:
-мультипликативная
-аддитивная
Условия работоспособности:
(большее значение соответствует лучшему результату)
(меньшее значение соответствует лучшему результату)
∆ (тип «равенство»)
Мультипликативная ЦФ
Аддитивная ЦФ
;
Где - вес, . Чем ближе к единице, тем соответствующий ей параметр важнее для решения задачи.
Если в задаче все , за исключением одной, равны нулю, то вес оставшегося параметра равен 1, и целевая функция обращается в однопараметрическую.
Чаще всего, оптимальное решение есть (min) и задаётся парой чисел: и .
Графическое представление ЦФ
ЦФ однопараметрическая
Локальный минимум:
x*- точка локального минимума, если в выполняется f(x)>f(x*) . (f(x) f(x*)- нестрогий локальный минимум. (x*(1) и x*(2))
Глобальный минимум:
x*- точка глобального минимума, если . (x*(3))
Задача оптимизации без ограничений: .
Ограничения существуют: .
.
ЦФ зависит от двух параметров f(x1,x2)
Проводятся несколько плоскостей, параллельных , расстояние между ближайшими такими плоскостями одинаково. В самой внутренней изолинии находится либо max, либо min.
ЦФ типа «фокус»
Решение оптимизационных задач.
Аналитическое Численное Экспериментальное
Численное включает в себя:
- локализацию отрезка, внутри которого находится единственный минимум;
- запуск процедуры численного решения.
Сравниваем :
Если , тогда на следующей итерации:
Если , тогда на следующей итерации:
Итерационный процесс идет до момента , где - это заданный критерий окончания счета. Любой x, оказавшийся внутри () будет решением. Например, в качестве приближения можно взять , где - это приближение к точке минимума, полученное на k-ой итерации.
Методы одномерной оптимизации:
1. Дихотомии
2. «Золотого сечения»
3. Чисел Фибоначчи
4. Парабол
Метод дихотомии
Количество итераций зависит от:
- длины ab;
- заданной погрешности.
;
1) ;
2) ;
Счёт продолжается, пока не выполнится .
Решением может являться любая точка . Чаще всего в качестве решения принимают .
k=0 | |
k=1 | |
k=2 | |
k |
точнее величины отрезок локализации сузить невозможно. Необходимо задавать .
Метод прост в реализации, но неэкономичный и неточный.
Метод «золотого сечения»
«Золотое сечение» [a,b] образуется парой симметрично расположенных относительно центра точек и , которые вычисляются:
Cвойства:
«золотое сечение» [a; b] и [a; ]
- «золотое сечение» [a,b] и [ ; b]
Данный метод более:
- экономичный: со второй итерации функция вычисляется один раз;
- точный;
- обладает более высокой сходимостью.
Оценка погрешности:
априорная погрешность. Если добавить условие , то можно узнать необходимое количество итераций. Тогда оставшиеся внутри последнего отрезка значения и принимаются за решение.
Свойства числа :
Метод чисел Фибоначчи
Числа Фибоначчи образуются по правилу: каждое следующее есть сумма двух предыдущих. Именно:
№ числа | ... | |||||||||||||
Число Фибоначчи | ... |
Ряд чисел Фибоначчи формирует золотое сечение:
Метод обеспечивает максимально гарантированное сокращение отрезка локализации при заданном числе N- вычисления функции. При этом количество итераций определяется из формулы:
( )
Пример:
Пусть . Тогда , откуда , далее по таблице: N+1=11. Т.е. N=10.
Внутренние точки в данном методе ищутся по формулам:
Сравнение эффективности методов одномерной минимизации
Метод | Длина отрезка локализации | Гарантированная оценка погрешности |
Оптимальный пассивный поиск | ||
Метод деления отрезка пополам (N-четное, величиной пренебрегаем) | ||
Метод Фибоначчи | ||
Метод Золотого сечения | ||
N – количество итераций - начальный отрезок локализации |
Оценим количество вычислений функции, необходимое для достижения точности . Предположим, что .
Число N при заданном | |||||
Оптимальный пассивный поиск | |||||
Метод деления отрезка пополам () | |||||
Метод Фибоначчи | |||||
Метод Золотого сечения |
Достижимая точность: , где - радиус интервала неопределенности. Поэтому на шестиразрядном десятичном компьютере недостижима . (Последние 2 столбика справочные)