- •А.Ю. Крюков, Б.Ф. Потапов
- •Крюков, А.Ю.
- •СОДЕРЖАНИЕ
- •ПРЕДИСЛОВИЕ
- •ВВЕДЕНИЕ
- •1.1. СУЩНОСТЬ И НАЗНАЧЕНИЕ МОДЕЛИРОВАНИЯ
- •1.1.1. Понятие о моделировании и свойства моделей
- •1.1.2. Цели моделирования
- •1.1.3. Виды моделирования и классификация моделей
- •1.2.1. Общие положения и основные определения
- •1.2.2. Структура математической модели и ее построение
- •1.2.3. Иерархия математических моделей
- •1.2.5. Классификация математических моделей
- •1.2.6. Геометрическое представление математических моделей
- •1.3. ЗАКЛЮЧИТЕЛЬНЫЕ ЗАМЕЧАНИЯ
- •2.1. МОДЕЛИ МИКРОУРОВНЯ
- •2.2. МОДЕЛИ МАКРОУРОВНЯ
- •2.2.1. Общая характеристика моделей, их структура и сущность
- •1. Компонентные уравнения
- •2. Топологические уравнения
- •Компонентные и топологические уравнения электрической системы
- •2.2.5. Задания для самостоятельной работы
- •2.3. ЗАКЛЮЧИТЕЛЬНЫЕ ЗАМЕЧАНИЯ
- •3.2.1. Общие принципы моделирования полей
- •3.2.2. Особенности построения моделей
- •3.2.3. Модели стационарных полей
- •3.2.4. Модели нестационарных полей
- •3.2.7. Задание для самостоятельной работы
- •3.3. ЗАКЛЮЧИТЕЛЬНЫЕ ЗАМЕЧАНИЯ
- •4.1.1. Надежность объектов как комплексное свойство
- •4.1.2. Классификация отказов и временные понятия
- •4.3.1. Основные понятия, определения и положения
- •4.3.2. Основные характеристики случайных величин
- •4.4. ПОКАЗАТЕЛИ НАДЕЖНОСТИ
- •4.4.1. Показатели безотказности
- •4.6.1. Общая характеристика и виды моделей
- •4.6.2. Распределения, используемые в теории надежности
- •4.6.3. Композиция законов распределения
- •4.6.4. Задание для самостоятельной работы
- •4.7 ПОТОКИ ОТКАЗОВ И ВОССТАНОВЛЕНИЙ
- •4.8. РАСЧЕТ НАДЕЖНОСТИ ТЕХНИЧЕСКИХ СИСТЕМ
- •4.8.1. Общие положения
- •4.8.2. Модели параметрических отказов
- •5.1. ОСНОВЫ ТЕОРИИ ГРАФОВ И СЕТЕВЫЕ МОДЕЛИ
- •5.1.1. Общие замечания, основные понятия и определения
- •5.1.2. Решение задачи о максимальном потоке
- •5.1.3. Потоки минимальной стоимости
- •5.1.4. Практические примеры сетевых задач
- •5.1.5. Некоторые обобщения по сетевым задачам
- •5.1.6. Альтернативные методы решения сетевых задач
- •5.2.1. Основные положения
- •5.2.2. Структура принятия решения
- •5.2.4. Пример применения классических критериев
- •6.1.1. Постановка задач оптимизации и критерии
- •оптимальности
- •6.1.2. Многокритериальные задачи оптимизации
- •6.1.3. Классификация методов оптимизации
- •6.2. РЕГУЛЯРНЫЕ МЕТОДЫ ОПТИМИЗАЦИИ
- •6.2.1. Методы математического анализа
- •6.2.2. Понятие о вариационном исчислении
- •6.2.3. Принцип максимума Понтрягина
- •6.2.4. Метод динамического программирования
- •6.3. ПРЯМЫЕ МЕТОДЫ ОПТИМИЗАЦИИ
- •6.3.2. Минимаксные стратегии одномерного поиска
- •6.3.4. Многомерные методы безусловной оптимизации
- •6.3.7. Заключение по прямым методам оптимизации
- •7 1. ОБЩИЕ ПОЛОЖЕНИЯ
- •ЗАКЛЮЧЕНИЕ
- •Учебное издание
- •Учебное пособие
Добавление третьего эксперимента (третьей точки) не по зволяет существенно сократить интервал неопределенности. Мож но показать, что минимаксная оценка £з составляет Ьъ = O,5L0,
е
т.е. улучшение, достигаемое за счет третьей точки, равно —.
6.3.2. Минимаксные стратегии одномерного поиска
Стратегии поиска, использующие минимаксные оценки интервала неопределенности, называются минимаксными или, с учетом величины г, - е-минимаксными стратегиями. Если исследователь располагает четным числом и = 2р точек (экспе риментов), то наилучшее размещение соответствует разделению точек на пары, расположенные около равноотстоящих друг от друга центров. При этом в каждой паре точки отстоят друг от друга на е (подразумевается, что расстояние между парами су щественно больше е ), н о необязательно симметричны относи тельно своего центра (см. рис. 6.14). Величина интервала неоп ределенности после и экспериментов определяется выражением
- + 1 п = 2р- |
(6'8,) |
2
Рассмотренная стратегия относится к пассивным методам поиска. Легко убедиться, что попытка сдвинуть любую из зафик сированных на рис. 6.15 точек приводит лишь к увеличению ми нимаксной оценки Ь„. Этот метод получил название метода опти мизации однородными парами. Из (6.81) следует, что при доста точно малой величине s для сокращения интервала L0, например в 100 раз, необходимо исследовать 198 точек этого интервала.
При нечетном числе исследуемых точек п = 2р + 1 суще ствует множество равноценных минимаксных стратегий. Одна из них предусматривает равномерное расположение точек на
интервале Lo (рис. 6.15, б). Интервал неопределенности при этом определяется формулой
т _ А)+ 8 ; п - 2 р + |
(6.82) |
-— +1 |
|
Эффективность поиска может быть существенно увеличе на, если при выборе очередной точки использовать информа цию, полученную при исследовании предыдущих точек, т.е. при переходе к последовательным стратегиям.
Пусть первая пара точек при отсутствии предварительной информации выбрана в соответствии с рассмотренной выше е-минимаксной стратегией (рис. 6.16). После исследования этих точек из дальнейшего рассмотрения в силу унимодальности функции W может быть исключена почти половина интервала L0
(см. рис. 6.16). Для полученного интервала неопределенности L2
может быть спланирована новая оптимально расположенная па ра точек, в результате исследования которых будет получен ин тервал неопределенности Ц:
(6.83)
Дальнейшая последовательность действий ясна из рис. 6.16. После проведения п = 2р экспериментов интервал неопределен ности составит
L = 2 Ч 0 + 1-2 |
(6.84) |
Рассмотренный метод получил название метода дихото мии (деления пополам).
L0= 1
n = 2
L 2 =
= (1+3/2
n= 4
=(l+8)/3
n = 6
^6 =
=(1+3/4
(1+3/2 |
(1 -3/2 |
|
||
|
|
8 |
|
|
|
1/2 |
г г |
1/2 |
|
|
|
|
||
|
|
|
(1+3/3 |
|
(1+3/3 |
(1+8)/3 |
л |
„ |
|
. _ |
£Ь |
8 V1 |
|
|
Г |
|
|
|
|
1/3 |
1/3 |
1/3 |
|
|
|
|
|
(1+3/4 |
|
(1+3/4 (1+8)/4(1+{;)/4 |
|
|||
|
8 |
8 |
8* |
|
1/4 |
1/4 _ 1/4 |
1/4 |
|
|
|
|
|
а |
|
1/2 |
1/2 |
_n =3 |
|
1Ч |
|
|
|
Z7=l/2 |
1/4 '’ 1/4 |
/ ' 1/4 ^1/4 |
|
||
|
|
6 |
Pwc. 5.75. Пассивные е-минимаксные стратегии: а-мет од однородных пар;
б - нечетное число экспериментов
Рис. 6.16. Схема поиска оптимума методом дихотомии
Легко сравнить эффективность методов дихотомии и од нородных пар. Из (6.84) следует, что при использовании метода дихотомии уже после 14 экспериментов интервал неопределен ности сократится почти в 128 раз, в то время как при методе од нородных пар для сокращения интервала неопределенности в 100 раз потребуется 198 экспериментов. Этот выигрыш, воз растающий с ростом заданной точности определения экстрему ма, достигается за счет систематического использования накоп ленной информации.
Несмотря на высокую эффективность, метод дихотомии не является оптимальным, поскольку на каждом шаге требуется ис следование двух новых точек интервала неопределенности. Меж
ду тем после проведения первого шага в интервале Lj (а также во всех последующих) уже имеется одна исследованная точка (см. рис. 6.16), оставшаяся от предыдущего шага, которая при дальнейшей оптимизации не используется. Таким образом, пого ня за оптимальностью каждого отдельного шага оптимизации приводит к необходимости исследования дополнительных точек.
Поэтому при достаточно большом количестве шагов ока зывается целесообразным отказаться от оптимальности каждого отдельного шага в пользу оптимальности стратегии в целом. Эта идея реализована в методах, предложенных в 1953 г. американ ским ученым Кифером и основанных на последовательности чисел Фибоначчи и золотом сечении Эвклида.
Пусть для сокращения исходного интервала неопределен ности предполагается исследовать п точек интервала. Перед про ведением исследования в последней п-й точке исследователь рас полагает интервалом неопределенности L„-\, внутри которого есть одна исследованная точка х„. ь где получено пока лучшее (мини мальное) значение отклика W„.1 = Щх„^) (рис. 6.17). Расположе ние точки х„_1 внутри L„-] полностью определяется принятой стратегией поиска. Разумеется, исследователь может также вы брать положение последней точки х„. Поскольку в данном случае речь идет о выборе положения двух точек, а заботиться о даль нейшем уже не нужно (наблюдается аналогия с выбором управ ления на последнем этапе при динамическом программировании), естественно расположить эти точки оптимальным образом сим метрично середине интервала на расстоянии е друг от друга.
Вне зависимости от того, какая из точек (хп, JC„_I) окажется
лучше, длины интервалов L„ и L„.i связаны соотношением |
|
L„-\ = 2L„ - е. |
(6.85) |
Рис. 6.17. Схема поиска оптимума методом Кифера
Аналогично в интервале неопределенности Z„_2, получен ном после исследования п - 2 точек, имеется лучшая из этих то чек хп-2 (W„_2 - W(x„_2)). В этом интервале необходимо размес тить точку x„_i, после исследования которой будет осуществлен переход Z„_2 -»Z„_1. На рис. 6.17 значение отклика в точке х„.2 больше (хуже), чем в точке х„_ь в результате чего точка х„_2 ста новится граничной точкой интервала Z„_|. Но ведь это один из возможных исходов и заранее неизвестно, в какой из точек х„-2, х„_| будет получен лучший результат. Величина же интервала L„-\ не должна зависеть от конкретного результата испытания. По этому расстояние от левого конца L„.2 до правой исследуемой точки х„-2 должно быть равно расстоянию от левой исследуемой точки х„-\ до правого конца L„..\, Оба эти расстояния равны L„-\.
В то же время расстояние каждой из точек хп-\, х„-2 до ближай шей границы интервала L„-2 равно L„. Следовательно,
Ьп-2 Ln~\ Ln ~ 3L„ —в. |
(6.86) |
Распространяя (6.85) и (6 .86) на любые три последова тельные интервала неопределенности, можно получить
Lj-1= Lj + L/n, 1 <j<n. |
(6.87) |
||
Длины нескольких последних интервалов неопределенно |
|||
сти даются соотношениями: |
|
|
|
Ln-\ ~ 3Ln—£j Ln- 2 |
Ln-\ + Ln ~ 2,Ln |
£5 |
|
Ln~3 Ln-2 Ln-1 5L„ —2e; Ln-4 |
Ln-^ + Ln-2 |
8Z.n 3E; (6.88) |
|
Ln-5 —L„4 + Ln~3 |
13Ln 5E. |
|
|
Коэффициенты при Z„ и E |
в правой части ( 6 . 8 8 ) образуют |
последовательность знаменитых чисел Фибоначчи F, в которой, как известно, первые два числа равны 1, а каждое следующее число является суммой двух предыдущих (Fo = Ft = 1; Fj = Fj-x +Fj-2): 1,1,2, 3, 5, 8, 13, 21, 34, 55, 89, 144,
С помощью чисел Фибоначчи соотношения (6 .88) можно
записать в общем виде: |
|
Ln-k= Fk+\L„ - F/c-1£. |
(6.89) |
При к = п - 1 в левой части (6.89) стоит исходный интер нат неопределенности L = L0. Поэтому из (6.89) следует, что
L0 = F„L„-F„-2S, |
(6.90) |
откуда можно получить выражение для конечного интервала неопределенности после исследования п точек:
L = Ь . + ^ 2 . Е . |
(6.91) |
Метод Кифера, основанный на использовании чисел Фибо наччи, является оптимальным £-минимаксным методом и обеспе чивает максимально возможное сокращение интервала неопреде ленности. Так, сокращение исходного интервала неопределенно сти почти в 144 раза требует изучения функции отклика всего
в 11 точках. Однако при его использовании нужно заранее за дать общее число исследуемых точек п. Это удобно, если целью исследования является сокращение интервала неопределенности, но в ряде случаев оптимизацию нужно вести до тех пор, пока ка кая-либо характеристика объекта не достигнет заданного уровня
иобщее число точек исследования неизвестно.
Вэтой ситуации может быть использовано «золотое сече ние». Расположение первой точки (рис. 6.18) определяется сле дующим образом:
4 = ^ - , |
т = |
*1,618. |
|
L o |
|
|
|
l 2 . |
|
w |
° (• 0 , 3 8 2 L 0 |
0 , 6 1 8 L 0 |
||
L2= /, |
|
|
h |
|
h |
|
i |
i>WQ |
|
\m m m m |
|
|
|
|
|
|
X Q |
h |
l 3 |
|
|
|
|
|
ym m |
|
*2 |
* 1 |
|
Рис. 6.18. Схема поиска оптимума методом «золотого сечения»
При этом выполняются соотношения
L =k = o fm , т-=ф-=0,б18.
(6.92)
(6.93)
4 4 |
h h |
клятием» размерности. Можно выделить три проблемы, порож-
даемые многомерностью.
Во-первых, возрастание числа переменных делает менее вероятной унимодальность поверхности отклика и часто приво дит к необходимости изучения полимодальных функций.
Во-вторых, для многомерного случая не удается найти универсальную, не зависящую от удачи исследователя меру эф фективности поиска, аналогичную принципу минимакса.
В-третьих, при переходе к многомерному пространству уменьшается относительная эффективность поиска, что связано с существенным увеличением интервала неопределенности по каждой из переменных при одинаковом относительном сокра щении размеров области поиска. Это обстоятельство делает бесперспективными пассивные методы при решении многомер ных задач.
Поэтому подавляющее большинство реально используе мых методов многомерной оптимизации является последова тельными, и далее будут рассматриваться только стратегии оп тимизации указанного типа.
В настоящем разделе рассмотрены лишь некоторые наи более типичные методы многомерного прямого поиска, разби тые на группы в соответствии с классификацией, приведенной
на рис. 6.19.
При разработке процедуры многомерного поиска всегда возникает три вопроса:
1.Откуда (из какой точки х0 е X*) нужно начинать поиск?
2.В каком направлении необходимо двигаться в фактор
ном пространстве?
3.Когда необходимо прекратить поиск?
Взависимости от особенностей поверхности отклика и на-
личия ограничений в процессе поиска экстремума целевой функ ции применяют различные методы: безусловной и условной, ло
кальной и глобальной оптимизации.