Студопедия КАТЕГОРИИ: АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Классификация численных методов оптимизации
Численные методы оптимизации можно разделить на две большие группы: - методы случайного поиска; - регулярные методы. Регулярные методы оптимизации стремятся построить такую последовательность x1, x2, x3 …, при которой ЦФ(x3) > ЦФ(x2) > ЦФ(x1) (при поиске максимального значения ЦФ). Общий алгоритм такого поиска: 1) выбор начальной точки в области определения ЦФ; 2) определение направления поиска на текущем шаге; 3) определение величины шага поиска; 4) вычисление ЦФ; 5) проверка условий окончания поиска. Сущность метода оптимизации определяется этапами 2 и 3, на которых определяется направление дальнейшего поиска и вычисляются координаты очередной точки на траектории поиска. Можно выделить следующие классы регулярных методов оптимизации: - прямые методы поиска, не использующие производные ЦФ. Общий принцип их действия заключается в поочередном изменении каждого параметра до достижения ЦФ минимума (или максимума). Примером может служить метод покоординатного спуска. - градиентные методы, использующие первые частные производные ЦФ по каждой переменной. Основаны на том, что направление уменьшения ЦФ противоположно направлению ее градиента. Примером может служить метод наискорейшего спуска. - ньютоновские методы, использующие первую и вторую производную ЦФ. Обычно исходная кривая аппроксимируется (заменяется) набором парабол. Примером может служить метод Ньютона. По признаку использования производной ЦФ для поиска экстремума выделяют также методы нулевого, первого и второго порядка. В методах нулевого порядка информация о производной ЦФ не используется. В методах первого и второго порядка рассчитывается дополнительно, соответственно, первая и вторая частные производные ЦФ по каждому параметру.
Поиск экстремума методами случайного поиска Метод случайного поиска - в области определения ЦФ выбирается N пробных точек. В каждой точке вычисляется значение ЦФ. Наибольшее (наименьшее) значение лежит в области глобального экстремума. В зависимости от способа выбора пробных точек различают метод Монте-Карло (случайный выбор), метод ЛП-поиска - истинно равномерной разбивки многомерного куба, методы полного перебора вариантов и т.д. Существует две разновидности алгоритмов случайного поиска: алгоритмы без обучения и алгоритмы с обучением. Алгоритмы с обучением ищут экстремум за несколько шагов, используя информацию о значениях ЦФ, полученную на предыдущем шаге. При каждом шаге область исследования ЦФ сужается и разбивка на пробные точки производится уже только в районе предполагаемого экстремума. К достоинствам методов случайного поиска можно отнести: - слабая зависимость результата от числа изменяемых параметров; - для расчета используется только само значение ЦФ (нет необходимости расчета ее производных); - простота постановки и решения задачи поиска области глобального экстремума для ЦФ любого вида. Недостатки: относительно большие затраты машинного времени на расчет. Впрочем, с развитием ЭВМ этот недостаток сглаживается.
|
||
Последнее изменение этой страницы: 2018-04-12; просмотров: 298. stydopedya.ru не претендует на авторское право материалов, которые вылажены, но предоставляет бесплатный доступ к ним. В случае нарушения авторского права или персональных данных напишите сюда... |