Если модель неадекватна, приходится возвращаться к третьему, а иногда и ко второму этапу моделирования, т.е. менять структуру модели или составляющих факторов, влияющих на выходной параметр.
Если модель адекватна, переходят к 6 этапу.
6 этап Использование модели по назначению и исследование объекта
С помощью модели можно спрогнозировать, что будет дальше.
Методы оптимизации
Оптимизация – это процесс улучшения показателей работы объекта. К таким показателям относятся:
− производительность;
− себестоимость продукции;
− показатели качества.
Задача оптимизации относится к экстремальным задачам и может быть решена двумя способами:
1. с использованием расчетных (или аналитических) методов,
2. с использованием поисковых методов.
Оптимизация бывает одномерная и многомерная. В первом случае на показатель работы оптимизируемого объекта влияет один параметр, во втором – 2 и более.
Оптимизация может осуществляться непосредственно на объекте (прямая оптимизация) и на моделе этого объекта.
Оптимизация бывает условная и безусловная. В первом случае имеются ограничения на параметры оптимизации, во втором – их нет.
Рассмотрим методы оптимизации:
1. Беспоисковый (или аналитический) основан на исследовании производных.
На отрезке необходимо
определить экстремум функции. Задачей является определение, например, минимума
функции на отрезке
.
Решением задачи оптимизации является координата , значение функции
при условии, что функция в этой
точке меньше всех других значений функции
.
Производят следующие действия:
1.
Берется первая производная и
приравнивается к нулю , следовательно, мы найдем
.
2.
Чтобы найти непосредственно
минимумы, берем вторую производную и определяем ее
знак:
−
если ,
то
;
− если,
то
.
Отсюда находим, что - минимумы.
3.
Рассчитываем значения функции в
этих координатах ,
и
сравниваем их
. Таким образом,
и
-
решения задачи оптимизации.
Параметр объекта, который улучшается, называется
критерием оптимизации. То есть функция -
это математическая модель объекта и в то же время эта зависимость выходного
параметра от входного является математическим выражением критериев
оптимизации.
2. Поисковый метод
Все поисковые методы решают задачу оптимизации в два этапа.
1 этап – определение границ исходного интервала
неопределенности. Интервалом неопределенности называют интервал между
координатами на оси
,
на котором находится искомый оптимум. Эта процедура поиска исходного интервала
неопределенности сводится к редкому исследованию функции (т.е. через большие
промежутки).
2 этап заключается в последующем уменьшении исходного
интервала неопределенности до заранее известной величины (точность метода) при условии, что
оптимум находится на уменьшаемом интервале неопределенности.
И решением задачи оптимизации в этом случае является
координата конечного интервала неопределенности и
значения функций в этих координатах.
Рассмотрим примеры методов поисковой оптимизации:
а) Метод сканирования
Имеется исходный интервал
, точность метода -
.
Через равные промежутки производится исследование интервала.
Суть метода – исследуется функция на отрезке через равные расстояния
, т. е. производится расчет значений
функции в этих точках (координатах). Затем, значений функции сравниваются и
определяется минимальное значение.
Если минимальное значение функции находится в точке 7,
следовательно, истинный минимум находится в интервале 6¸8 (,
).
-
условие, по которому определяется
, тогда
.
Метод сканирования требует большого количества опытов и практически не применяется.
б) Метод половинного деления
На исходном интервале
неопределенности определяются 2 точки - и
.
1) От середины интервала через равные отрезки
откладываются точки
и
.
2) Рассчитываются значения функции в
точках и
(
,
)
и сравниваются между собой.
− если ,
то
,
;
− если ,
то
,
.
3) Сравниваем интервал с точностью
− если ,
то идти к шагу 1;
− если ,
то «КОНЕЦ».
3. Метод золотого сечения
корни этого уравнения - ,
,
где
- коэффициент сжатия.
Обычно используется - величина золотого сечения.
Имеется интервал неопределенности.
1) Определяются ,
.
2) Рассчитываются ,
и
сравниваются между собой.
− если ,
то
,
,
;
− если ,
то
,
,
.
3) Проверка
− если ,
то идти к шагу 1;
− если ,
4 шаг.
4) Решением задачи оптимизации являются
координаты ,
и
значения функций
,
.
4. Метод Фибоначчи
,
,
где -
числа (ряд) Фибоначчи.
,
.
1, 1, 2, 3, 5, 8, 13, 21, 34, 55, …
Методы многомерной
Оптимизации
Алгоритм расчета аналогичен предыдущим методам.
Многомерная оптимизация – имеется 2 и более факторов, влияющих на выходной параметр.
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.