Информатика программирование : Реферат: Нелинейное программирование
Реферат: Нелинейное программирование
Южно-Уральский
Государственный Университет
Кафедра АиУ
реферат на тему:
Нелинейное программирование
Выполнил:
Пушников А. А., ПС-263.
Проверил:
Разнополов О.А.
Челябинск – 2003.
Оглавление
1.
Постановка задачи нелинейного программирования
2.
Критерии оптимальности в задачах с ограничениями
2.1.
Задачи с ограничением в виде равенств
2.2.
Множители Лагранжа
3.
Условия Куна-Таккера
3.1.
Условия Куна-Таккера и задача Куна-Таккера
3.2.
Интерпретация условий Куна-Таккера
3.3.
Теоремы Куна-Таккера
4.
Функции нескольких переменных
4.1.
Методы прямого поиска
4.1.1. Метод
поиска по симплексу (S2 - метод)
4.1.2. Метод
поиска Хука-Дживса
1. Постановка задачи нелинейного
программирования.
В
задаче нелинейного программирования (НЛП) требуется найти значение многомерной
переменной х=(), минимизирующее
целевую функцию f(x) при условиях, когда на переменную х наложены
ограничения типа неравенств
, i=1,2,…,m (1)
а
переменные , т.е. компоненты вектора
х, неотрицательны:
(2)
Иногда
в формулировке задачи ограничения (1) имеют противоположные знаки неравенств.
Учитывая, однако, что если , то , всегда можно свести
задачу к неравенствам одного знака. Если некоторые ограничения входят в задачу
со знаком равенства, например , то их
можно представить в виде пары неравенств ,
, сохранив тем самым
типовую формулировку задачи.
2. Критерии
оптимальности в задачах с ограничениями.
Ряд
инженерных задач связан с оптимизацией при наличии некоторого количества ограничений
на управляемые переменные. Такие ограничения существенно уменьшают размеры области,
в которой проводится поиск оптимума. На первый взгляд может показаться, что
уменьшение размеров допустимой области должно упростить процедуру поиска
оптимума. Между тем, напротив, процесс оптимизации становится более сложным,
поскольку установленные выше критерии оптимальности нельзя использовать при
наличии ограничений. При этом может нарушаться даже основное условие, в
соответствии с которым оптимум должен достигаться в стационарной точке,
характеризующейся нулевым градиентом. Например, безусловный минимум функции имеет место в стационарной
точке х=2. Но если задача минимизации решается с учетом ограничения , то будет найден условный
минимум, которому соответствует точка x=4. Эта точка не является
стационарной точкой функции f, так как (4)=4. Далее исследуются необходимые и достаточные условия оптимальности
решений задач с ограничениями. Изложение начинается с рассмотрения задач
оптимизации, которые содержат только ограничения в виде равенств.
2.1. Задачи с ограничениями в виде равенств
Рассмотрим
общую задачу оптимизации, содержащую несколько ограничений в виде равенств:
Минимизировать
при
ограничениях , k=1,…,n
Эта
задача в принципе может быть решена как задача безусловной оптимизации,
полученная путем исключения из целевой функции k независимых переменных с помощью заданных равенств.
Наличие ограничений в виде равенств фактически позволяет уменьшить размерность исходной
задачи с n до n-k.. В
качестве иллюстрации рассмотрим следующий пример.
Пример
1
Минимизировать
при
ограничении
Исключив
переменную , с помощью уравнения , получим
оптимизационную
задачу с двумя переменными без ограничений
min
Метод
исключения переменных применим лишь в тех
случаях, когда уравнения, представляющие ограничения, можно разрешить
относительно некоторого конкретного набора независимых переменных. При наличии
большого числа ограничений в виде равенств, процесс исключения переменных
становится весьма трудоемкой процедурой. Кроме того, возможны ситуации, когда
уравнение не удается разрешить относительно переменной. В частности, если в
примере 1 ограничение задать в виде
то
получить аналитическое выражение какой-либо из переменных через другие не
представляется возможным. Таким образом, при решении задач, содержащих сложные
ограничения в виде равенств, целесообразно использовать метод множителей
Лагранжа, описание которого дается в следующем разделе.
2.2. Множители Лагранжа
С
помощью метода множителей Лагранжа по существу устанавливаются необходимые
условия, позволяющие идентифицировать точки оптимума в задачах оптимизации с
ограничениями в виде равенств. При этом задача с ограничениями преобразуется в
эквивалентную задачу безусловной оптимизации, в которой фигурируют некоторые
неизвестные параметры, называемые множителями Лагранжа.
Рассмотрим
задачу минимизации функции n переменных с учетом одного ограничения в виде
равенства:
Минимизировать
(3)
при
ограничениях (4)
В
соответствии с методом множителей Лагранжа эта задача преобразуется в следующую
задачу безусловной оптимизации:
минимизировать
L(x,u)=f(x)-u*h(x) (5)
Функция
L(х;u) называется функцией Лагранжа, u — неизвестная
постоянная, которая носит название множителя Лагранжа. На знак u никаких
требований не накладывается.
Пусть
при заданном значении u=u0
безусловный минимум функции L(x,u) по х достигается в точке и
удовлетворяет уравнению . Тогда, как нетрудно
видеть, x0
минимизирует (1) с учетом (4), поскольку для всех значений х, удовлетворяющих
(4), и L(x,u)=min f(x).
Разумеется,
необходимо подобрать значение u=u° таким образом, чтобы координата точки безусловного
минимума х° удовлетворяла равенству (4). Это можно сделать, если, рассматривая
u как переменную, найти безусловный минимум функции (5)
в виде функции u, а затем выбрать значение u, при котором выполняется
равенство (4). Проиллюстрируем это на конкретном примере.
Пример
2
Минимизировать
при
ограничении =0
Соответствующая
задача безусловной оптимизации записывается в следующем виде:
минимизировать
L(x,u)= -u
Решение. Приравняв две компоненты градиента L к нулю, получим
Для
того чтобы проверить, соответствует ли стационарная точка х° минимуму, вычислим
элементы матрицы Гессе функции L(х;u), рассматриваемой как функция х,
,
которая
оказывается положительно определенной. Это означает, что L(х,,u) — выпуклая
функция х. Следовательно, координаты , определяют точку
глобального минимума. Оптимальное значение u находится путем
подстановки значений и в уравнение =2, откуда 2u+u/2=2
или . Таким образом, условный
минимум достигается при и и равен min f(x)=4/5.
При
решении задачи из примера 2 мы рассматривали L(х;u) как функцию
двух переменных и и, кроме того,
предполагали, что значение параметра u
выбрано так, чтобы выполнялось ограничение.
Если же решение системы
, j=1,2,3,…,n
в
виде явных функций u получить нельзя, то значения х и u находятся
путем решения следующей системы, состоящей из n+1 уравнений с n+1 неизвестными:
, j=1,2,3,…,n
Для
нахождения всех возможных решений данной системы можно использовать численные
методы поиска (например, метод Ньютона). Для каждого из решений () следует вычислить
элементы матрицы Гессе функции L, рассматриваемой как функция х, и выяснить, является
ли эта матрица положительно определенной (локальный минимум) или отрицательно
определенной (локальный максимум).
Метод
множителей Лагранжа можно распространить на случай, когда задача имеет
несколько ограничений в виде равенств. Рассмотрим общую задачу, в которой
требуется
Минимизировать
f(x)
при
ограничениях =0, k=1,
2, ..., К.
Функция
Лагранжа принимает следующий вид:
L(x,u)=f(x)-
Здесь
—множители Лагранжа, т.е.
неизвестные параметры, значения которых необходимо определить. Приравнивая
частные производные L по х к нулю,
получаем следующую систему n уравнении
с n неизвестными:
………..
Если
найти решение приведенной выше системы в виде функций вектора u оказывается
затруднительным, то можно расширить систему путем включения в нее ограничений в
виде равенств
Решение
расширенной системы, состоящей из n+К уравнений с n+К неизвестными,
определяет стационарную точку функции L. Затем реализуется процедура
проверки на минимум или максимум, которая проводится на основе вычисления
элементов матрицы Гессе функции L, рассматриваемой как функция х, подобно
тому, как это было проделано в случае задачи с одним ограничением. Для
некоторых задач расширенная система n+К уравнений с n+K неизвестными может не иметь решений, и метод
множителей Лагранжа оказывается неприменимым. Следует, однако, отметить, что
такие задачи на практике встречаются достаточно редко.
3. Условия
Куна-Таккера
В
предыдущем разделе было установлено, что множители Лагранжа можно использовать
при построении критериев оптимальности для задач оптимизации с ограничениями в
виде равенств. Кун и Таккер обобщили этот подход на случай общей задачи нелинейного
программирования с ограничениями, как в виде равенств, так и в виде
неравенств.
Рассмотрим
следующую общую задачу нелинейного программирования:
минимизировать
(0)
при
ограничениях (1)
(2)
Определение:
Ограничение
в виде неравенства называется активным,
или связывающим, в точке , если , и неактивным, или
несвязывающим, если
Если
существует возможность обнаружить ограничения, которые неактивны в точке
оптимума, до непосредственного решения задачи, то эти ограничения можно
исключить из модели и тем самым уменьшить ее размеры. Основная трудность
заключается при этом в идентификации неактивных ограничений, предшествующей решению
задачи.
Кун
и Таккер построили необходимые и достаточные условия оптимальности для задач
нелинейного программирования, исходя из предположения о дифференцируемости
функций . Эти условия
оптимальности, широко известные как условия Куна—Таккера, можно сформулировать
в виде задачи нахождения решения некоторой системы нелинейных уравнений и
неравенств, или, как иногда говорят, задачи Куна—Таккера.
Найти
векторы ,удовлетворяющие следующим
условиям
(3)
(4)
(5)
(6)
(7)
Прежде
всего проиллюстрируем условия Куна — Таккера на примере.
Пример
3
Минимизировать
при
ограничениях
Решение.
Записав
данную задачу в виде задачи нелинейного программирования (0)-(2), получим
Уравнение
(3), входящее в состав условий Куна—Таккера, принимает следующий вид:
откуда
Неравенства
(4) и уравнения (5) задачи Куна — Таккера в данном случае записываются в виде
Уравнения
(5.16), известные как условие дополняющей нежесткости, принимают вид
Заметим,
что на переменные и накладывается требование
неотрицательности, тогда как ограничение на знак отсутствует.
Таким
образом, этой задачи условия Куна—Танкера записываются в следующем виде:
3.2. Интерпретация условий Куна — Таккера
Для
того чтобы интерпретировать условия Куна — Таккера, рассмотрим задачу нелинейного
программирования с ограничениями в виде равенств:
минимизировать
при
ограничениях
Запишем
условия Куна—Таккера
(8)
(9)
Далее
рассмотрим функцию Лагранжа для задачи нелинейного программирования с
ограничениями в виде равенств
Для
этой функции условия оптимальности первого порядка записываются в виде
Нетрудно
видеть, что условия Куна-Таккера (8) и (9) совпадают с условиями оптимальности
первого порядка для задачи Лагранжа.
Рассмотрим
задачу нелинейного программирования с ограничениями в виде неравенств:
минимизировать
при
ограничениях
Запишем
условия Куна—Таккера
Соответствующая
функция Лагранжа имеет вид
Условия
оптимальности первого порядка записываются как
Заметим,
что - множитель Лагранжа,
соответствующий ограничению . Раньше
было показано, что представляет
неявную цену, ассоциированную с ограничением ;
другими словами, величина отражает
изменение минимального значения целевой функции ,
вызываемое единичным приращением правой части -
го ограничения.
Если
предположить, что - е ограничение
является неактивным (т.е. С
другой стороны, если -е ограничение
активное (т. е. ), то
соответствующая неявная цена не
обязательно равна нулю, однако , так
как . Таким образом, для всех значений .
Для
того чтобы определить знак (неявной
цены, ассоциированной с ограничением ),
следует увеличить правую часть ограничения от 0 до 1. Ясно, что при этом
область допустимых решений сужается, поскольку любое решение, удовлетворяющее
ограничению , автоматически
удовлетворяет неравенству . Следовательно,
размеры допустимой области уменьшаются, и минимальное значение улучшить невозможно (так
как вообще оно может только возрастать). Другими словами, неявная цена , ассоциированная с -м ограничением, должна
быть неотрицательной, что соответствует условиям Куна—Таккера.
3.3. Теоремы Куна—Таккера
В
предыдущем разделе построены условия Куна—Таккера для задач условной
оптимизации. С помощью метода множителей Лагранжа получено интуитивное
представление о том, что условия Куна — Танкера тесно связаны с необходимыми
условиями оптимальности. В данном разделе рассматриваются строгие формулировки
необходимых и достаточных условий оптимальности решения задачи нелинейного
программирования.
Теорема
1. Необходимость условий Куна—Таккера
Рассмотрим
задачу нелинейного программирования (0)-(2). Пусть -
дифференцируемые функции, а х* — допустимое решение данной задачи. Положим . Далее пусть линейно независимы.
Если х* — оптимальное решение задачи нелинейного программирования, то
существует такая пара векторов , что является решением задачи Куна—Таккера (3)—(7).
Условие,
согласно которому должны быть
линейно независимыми, известно как условие линейной независимости и по
существу представляет собой некоторое условие регулярности допустимой области,
которое почти всегда выполняется для встречающихся на практике задач оптимизации.
Однако вообще проверка выполнения условия линейной независимости весьма
затруднительна, так как требуется, чтобы оптимальное решение задачи было
известно заранее. Вместе с тем условие линейной независимости всегда
выполняется для задач нелинейного программирования, обладающих следующими свойствами.
1.
Все ограничения в виде равенств и неравенств содержат линейные функции.
2.
Все ограничения в виде неравенств содержат вогнутые функции, все
ограничения-равенства — линейные функции, а также существует, по крайней мере,
одна допустимая точка х, которая расположена во внутренней части области,
определяемой ограничениями-неравенствами. Другими словами, существует такая
точка х, что
Если
условие линейной независимости в точке оптимума не выполняется, то задача
Куна—Таккера может не иметь решения.
Пример
4
Минимизировать
при
ограничениях
Решение.
На
рис.1 изображена область допустимых решений сформулированной выше нелинейной
задачи. Ясно, что оптимальное решение этой задачи есть . Покажем, что условие
линейной независимости не выполняется в точке оптимума.
Рис.1
Допустимая область в задаче 4
Так
как
Легко видеть, что векторы линейно
зависимы, т. е. условие линейной независимости в точке не выполняется.
Запишем
условия Куна—Таккера и проверим, выполняются ли они в точке (1, 0). Условия
(3), (6) и (7) принимают следующий вид;
(11)
(12)
(13)
(14)
(15)
(16)
При
из уравнения (11) следует,
что , тогда как уравнение (14)
дает , Следовательно, точка
оптимума не является точкой Куна — Таккера.
Заметим,
что нарушение условия линейной независимости не обязательно означает, что точка
Куна—Таккера не существует. Для того чтобы подтвердить это, заменим целевую
функцию из этого примера функцией. При
этом оптимум по-прежнему достигается в точке (1,0), в которой условие линейной
независимости не выполняется. Условия Куна—Таккера (12) - (16) остаются
неизменными, а уравнение (11) принимает вид
Нетрудно
проверить, что точка является точкой
Куна—Таккера, т. е. удовлетворяет условиям Куна—Таккера.
Теорема
о необходимости условий Куна—Таккера позволяет идентифицировать неоптимальные
точки. Другими словами, теорему 1 можно использовать для доказательства того,
что заданная допустимая точка, удовлетворяющая условию линейной независимости,
не является оптимальной, если она не удовлетворяет условиям Куна—Таккера. С
другой стороны, если в этой точке условия Куна—Таккера выполняются, то нет
гарантии, что найдено оптимальное решение нелинейной задачи. В качестве
примера рассмотрим следующую задачу нелинейного программирования.
Следующая
теорема устанавливает условия, при выполнении которых точка Куна—Таккера
автоматически соответствует оптимальному решению задачи нелинейного
программирования.
Теорема.2
Достаточность условий Куна—Таккера
Рассмотрим
задачу нелинейного программирования (0) — (2). Пусть целевая функция выпуклая, все ограничения
в виде неравенств содержат вогнутые функции ,
а ограничения в виде равенств содержат линейные функции . Тогда если существует
решение , удовлетворяющее условиям
Куна—Таккера (3) — (7), то х* — оптимальное решение задачи нелинейного
программирования.
Если
условия теоремы 2 выполняются, то нахождение точки Куна—Таккера обеспечивает
получение оптимального решения задачи нелинейного программирования.
Теорему
2 можно также использовать для доказательства оптимальности данного решения
задачи нелинейного программирования. В качестве иллюстрации опять рассмотрим
пример:
Минимизировать
при
ограничениях
С
помощью теоремы 2 докажем, что решение является
оптимальным. Имеем
Так
как матрица положительно полуопределена
при всех х, функция оказывается
выпуклой. Первое ограничение в виде неравенства содержит линейную функцию , которая одновременно
является как выпуклой, так и вогнутой. Для того
чтобы
показать, что функция является
вогнутой, вычислим
Поскольку
матрица отрицательно определена,
функция является вогнутой. Функция входит в линейное ограничение
в вяде равенства. Следовательно, все условия теоремы 2 выполнены; если мы
покажем, что - точка Куна-Таккера, то
действительно установим оптимальность решения .
Условия Куна-Таккера для примера 2 имеют вид
(22)
(23)
(24)
(25)
, (26)
, (27)
(28)
(29)
Точка
удовлетворяет ограничениям
(24) — (26) и, следовательно, является допустимой. Уравнения (22) и (23)
принимают следующий вид:
Положив
,получим и. Таким образом, решение х*=(1,
5), удовлетворяет условиям
Куна—Таккера. Поскольку условия теоремы 2 выполнены, то оптимальное решение задачи
из примера 3. Заметим, что существуют также и другие значения и , которые удовлетворяют системе (22) -(29).
Замечания
1.Для
встречающихся на практике задач условие линейной независимости, как
правило, выполняется. Если в задаче все функции дифференцируемы, то
точку Куна—Таккера следует рассматривать как возможную точку оптимума. Таким
образом, многие из методов нелинейного программирования сходятся к точке
Куна—Таккера. (Здесь уместно провести аналогию со случаем безусловной
оптимизации, когда соответствующие алгоритмы позволяют определить стационарную
точку.)
2.
Если условия теоремы 2 выполнены, точка Куна—Таккера в то же время оказывается
точкой глобального минимума. К сожалению, проверка достаточных условий весьма
затруднительна, и, кроме того, прикладные задачи часто не обладают требуемыми
свойствами. Следует отметить, что наличие хотя бы одного нелинейного
ограничения в виде равенства приводит к нарушению предположений теоремы 2.
3.Достаточные
условия, установленные теоремой 2, можно обобщить на случай задач с невыпуклыми
функциями, входящими в ограничения в виде неравенств, невыпуклыми целевыми функциями
и нелинейными ограничениями-равенствами. При этом используются такие обобщения
выпуклых функций, как квазивыпуклые и псевдовыпуклые функции.
4. Функции нескольких переменных
Ограниченные
возможности симплексного метода, заключенные в задачах со сложными видами
ограничений и произвольным видом целевой функции, привели к широкому
использованию итеративных методов поиска оптимального решения.
Сначала
рассмотрим вопрос анализа «в статике» с использованием положений линейной
алгебры и дифференциального исчисления, а также условия, которые (в достаточно
общих возможных ситуациях) позволяют идентифицировать точки оптимума. Такие
условия используются для проверки выбранных точек и дают возможность выяснить,
являются ли эти точки точками минимума или максимума. При этом задача выбора
указанных точек остается вне рамок проводимого анализа; основное внимание
уделяется решению вопроса о том, соответствуют ли исследуемые точки решениям
многомерной задачи безусловной оптимизации, в которой требуется минимизировать f(x)
x при отсутствии ограничений на x, где x — вектор управляемых переменных размерности n, f
скалярная целевая функция. Обычно предполагается, что xi (для всех значений i=1,
2, …, n) могут принимать любые значения, хотя в ряде
практических приложений область значений x выбирается в виде дискретного множества. Кроме того,
часто оказывается удобным предполагать, что функция f и ее
производные существуют и непрерывны всюду, хотя известно, что оптимумы могут
достигаться в точках разрыва f или ее градиента
Градиентом
функции f(х) называют вектор, величина которого определяет
скорость изменения функции f(x), а направление совпадает с направлением наибольшего
возрастания этой функции.
Следует
помнить, что функция f может принимать минимальное значение в точке x, в которой f или претерпевают
разрыв. Кроме того, в этой точке может
не существовать. Для того чтобы построить систему конструктивных критериев
оптимальности, необходимо (по крайней мере на первой стадии исследования)
исключить из рассмотрения подобные ситуации, которые весьма усложняют анализ.
4.1. Методы прямого поиска
Ниже
рассматривается вопрос анализа «в динамике» для функций нескольких переменных,
т. е. исследуются методы и алгоритмы, позволяющие на итерационной основе
получать оценки х*— вектора управляемых переменных, которому соответствует
минимальное значение функции f(x). Указанные методы применимы также к задачам
максимизации, в которых целевую функцию следует заменить на -f(х).
Методы, ориентированные на решение задач безусловной оптимизации, можно
разделить на три широких класса в соответствии с типом используемой при
реализации того или иного метода информации.
1.
Методы прямого поиска, основанные на вычислении только значений целевой
функции.
2.
Градиентные методы, в которых используются точные значения первых
производных f(x).
3.
Методы второго порядка, в которых наряду с первыми производными используются
также вторые производные функции f(x).
Ниже
рассматриваются методы, относящиеся к каждому из перечисленных классов,
поскольку ни один метод или класс методов не отличается высокой эффективностью
при решении оптимизационных задач различных типов. В частности, возможны
случаи, когда происходит переполнение памяти ЭВМ; в других ситуациях
вычисление значений целевой функции требует чрезмерных затрат времени; в
некоторых задачах требуется получить решение с очень высокой степенью точности.
В ряде приложений либо невозможно, либо весьма затруднительно найти
аналитические выражения для производных целевой функции. Поэтому если
предполагается использовать градиентные методы, следует применить процедуру
разностной аппроксимации производных. В свою очередь это приводит к необходимости
экспериментального определения длины шагов, позволяющего установить надлежащее
соответствие между ошибкой округления и ошибкой аппроксимации. Таким образом,
инженер вынужден приспосабливать применяемый метод к конкретным характеристикам
решаемой задачи.
Методы
решения задач безусловной оптимизации отличаются относительно высоким уровнем
развития по сравнению с другими методами нелинейного программирования. Ниже
речь идет о методах прямого поиска, для реализации которых требуются только
значения целевой функции; в следующем разделе рассматриваются градиентные
методы и методы второго порядка. Здесь предполагается, что f(x) непрерывна,
а может как существовать,
так и не существовать, поскольку соответствующие числовые значения не
используются. Однако следует отметить, что методы прямого поиска можно применять
для решения задач, в которых существует,
и они часто используются в тех случаях, когда представляет
собой сложную векторную функцию управляемых переменных. Наконец, в этом и
последующих разделах предполагается, что функция f(х) унимодальна
в рассматриваемой области. Если же изучаемые методы применяются для анализа
мультимодальных функций, то приходится ограничиваться идентификацией локальных
минимумов.
Многомерные
методы, реализующие процедуру поиска оптимума на основе вычисления значений
функции, с общих позиций можно разделить на эвристические и теоретические.
Эвристические методы, как это следует из названия, реализуют процедуры поиска с
помощью интуитивных геометрических представлений и обеспечивают получение
частных эмпирических результатов. С другой стороны, теоретические методы
основаны на фундаментальных математических теоремах и обладают такими
операционными свойствами, как сходимость (по крайней мере при выполнении
некоторых определенных условий). Ниже подробно рассматриваются три метода
прямого поиска:
1)
поиск по симплексу, или S2-метод;
2)
метод поиска Хука—Дживса;
3)
метод сопряженных направлений Пауэлла.
Первые
два из перечисленных методов относятся к категории эвристических и реализуют
принципиально различающиеся стратегии поиска. В процессе поиска по S2-методу последовательно оперируют регулярными
симплексами в пространстве управляемых переменных, тогда как при реализации
метода Хука-Дживса используется фиксированное множество (координатных) направлений,
выбираемых рекурсивным способом. Метод Пауэлла основан на теоретических
результатах и ориентирован на решение задач с квадратичными целевыми функциями;
для таких задач метод сходится за конечное число итераций. К числу общих
особенностей всех трех методов следует отнести относительную простоту соответствующих
вычислительных процедур, которые легко реализуются и быстро корректируются. С
другой стороны, реализация указанных методов может требовать (и часто требует)
более значительных затрат времени по сравнению с методами с использованием
производных.
4.1.1.
Метод поиска по симплексу(S2
-метод)
Первые
попытки решения оптимизационных задач без ограничений на основе прямого поиска
связаны с использованием одномерных методов оптимизации. Как правило, при
реализации таких методов допустимая область определения показателя качества
функционирования системы (целевой функции) заменяется дискретным множеством
(решеткой) точек пространства управляемых переменных, а затем используются
различные стратегии уменьшения области, которая содержит решение задачи. Часто
эта процедура оказывается эквивалентной равномерному поиску в узлах решетки и,
следовательно, непригодной для решения задач с числом переменных, превышающим
2. Более полезная идея заключается в выборе базовой точки и оценивании
значений целевой функции в точках, окружающих базовую точку. Например, при
решении задачи с двумя переменными можно воспользоваться квадратным образцом,
изображенным на рис.2
Рис
2. Квадратный образец (частный случай кубического образца)
Затем
«наилучшая» из пяти исследуемых точек выбирается в качестве следующей базовой
точки, вокруг которой строится аналогичный образец. Если ни одна из угловых
точек не имеет преимущества перед базовой, размеры образца следует уменьшить,
после чего продолжить поиск.
Этот
тип эволюционной оптимизации был использован Боксом и другими
исследователями для анализа функционирования промышленных предприятий, когда
эффект варьирования значений переменных, описывающих производственные процессы,
измеряется с ошибкой. В задачах большой размерности вычисление значений целевой
функции проводится во всех вершинах, а также в центре тяжести гиперкуба (гиперкуб
куб в n-мерном евклидовом пространстве, т.е. множество S=x=() , где а и b
заданные числа ) , т. е. в точках так называемого кубического образца. Если
количество переменных (размерность пространства, в котором ведется поиск) равно
n, то поиск по кубическому образцу требует +1 вычислений значения
функций для одного образца. При увеличении размерности задачи необходимое
количество вычислений значения целевой функции возрастает чрезвычайно быстро.
Таким образом, несмотря на логическую простоту поиска по кубическому образцу,
возникает необходимость использования более эффективных методов прямого поиска
для решения возникающих на практике задач оптимизации.
Одна
из вызывающих особый интерес стратегий поиска положена в основу метода поиска
по симплексу, предложенного Спендли, Хекстом и Химсвортом. Следует отметить,
что указанный метод и другие подобные методы не имеют отношения к
симплекс-методу линейного программирования, а сходство названий носит случайный
характер. Процедура симплексного поиска Спендли, Хекста и Химсворта базируется
на том, что экспериментальным образцом, содержащим наименьшее количество точек,
является регулярный симплекс. Регулярный симплекс в n-мерном
пространстве представляет собой многогранник, образованный n+1
равностоящими друг от друга точками-вершинами. Например, в случае двух переменных
симплексом является равносторонний треугольник; в трехмерном пространстве
симплекс представляет собой тетраэдр. В алгоритме симплексного поиска
используется важное свойство симплексов, согласно которому новый симплекс
можно построить на любой грани начального симплекса путем переноса выбранной
вершины на надлежащее расстояние вдоль прямой, проведенной через центр тяжести
остальных вершин начального симплекса. Полученная таким образом точка является
вершиной нового симплекса, а выбранная при построении вершина начального
симплекса исключается. Нетрудно видеть, что при переходе к новому симплексу
требуется одно вычисление значения целевой функции. Рис 3 иллюстрирует процесс
построения нового симплекса на плоскости.
Рис.3.Построение
нового симплекса.
а
начальный симплекс
б
новый симплекс
Работа
алгоритма симплексного поиска начинается с построения регулярного симплекса в
пространстве независимых переменных и оценивания значений целевой функции в
каждой из вершин симплекса. При этом определяется вершина, которой
соответствует наибольшее значение целевой функции. Затем найденная вершина
проецируется через центр тяжести остальных вершин симплекса в новую точку,
которая используется в качестве вершины нового симплекса. Если функция убывает
достаточно плавно, итерации продолжаются до тех пор, пока либо не будет накрыта
точка минимума, либо не начнется циклическое движение по двум или более
симплексам. В таких ситуациях можно воспользоваться следующими тремя
правилами.
Правило
1. «Накрытие» точки минимума
Если
вершина, которой соответствует наибольшее значение целевой функции, построена
на предыдущей итерации, то вместо нее берется вершина, которой соответствует
следующее по величине значение целевой функции.
Правило
2. Циклическое движение
Если
некоторая вершина симплекса не исключается на протяжении более чем М итераций,
то необходимо уменьшить размеры симплекса с помощью коэффициента редукции и
построить новый симплекс, выбрав в качестве базовой точку, которой
соответствует минимальное значение целевой функции. Спендли, Хекст и Химс-ворт
предложили вычислять М по формуле
M=1,65n+0,05
где
n — размерность задачи, а М округляется до ближайшего
целого числа. Для применения данного правила требуется установить величину
коэффициента редукции.
Правило
3. Критерий окончания поиска
Поиск
завершается, когда или размеры симплекса, или разности между значениями функции
в вершинах становятся достаточно малыми. Чтобы можно было применять эти правила,
необходимо задать величину параметра окончания поиска.
Реализация
изучаемого алгоритма основана на вычислениях двух типов: (1) построении
регулярного симплекса при заданных базовой точке и масштабном множителе и (2)
расчете координат отраженной точки. Построение симплекса является достаточно
простой процедурой, так как из элементарной геометрии известно, что при
заданных начальной (базовой) точке и масштабном
множителе координаты остальных n
вершин симплекса в n-мерном пространстве вычисляются по формуле
(7)
для
i и j=1,2,3,…,n
Приращения
и ,
зависящие только от n и выбранного масштабного множителя, определяются по формулам
(8)
(9)
Заметим,
что величина масштабного множителя выбирается
исследователем, исходя из характеристик решаемой задачи. При =1 ребра регулярного
симплекса имеют единичную длину. Вычисления второго типа, связанные с
отражением относительно центра тяжести, также представляют несложную
процедуру. Пусть — точка,
подлежащая отражению. Центр тяжести остальных n точек расположен в точке
(10)
Все
точки прямой, проходящей через и хс,
задаются формулой
(11)
При
=0 получаем исходную точку , тогда как значение =1 соответствует центру
тяжести хс. Для того чтобы построенный симплекс обладал свойством
регулярности, отражение должно быть симметричным. Следовательно, новая вершина
получается при =2. Таким
образом,
(12)
Проиллюстрируем
вычислительную схему метода следующим примером.
Пример
5. Вычисления в соответствии с методом поиска по симплексу
Минимизировать
f(x)=
Решение.
Для
построения исходного симплекса требуется задать начальную точку и масштабный
множитель. Пусть x =и =2. Тогда
Используя
эти два параметра, вычислим координаты двух остальных вершин симплекса:
которым
соответствуют значения целевой функции, равные =0,2374
и 3,0658. Так как 5, необходимо отразить
точку относительно центра тяжести
двух остальных вершин симплекса
Используя
формулу (12), получаем
В
полученной точке 2,3027, т. е.
наблюдается уменьшение целевой функции. Новый симплекс образован точками и. В соответствии с
алгоритмом следует отразить точку х(2), которой соответствует
наибольшее значение целевой функции, относительно центра тяжести точек и х(3). Итерации
продолжаются до тех пор, пока не потребуется применение правил 1, 2 и 3,
которые были сформулированы выше.
Изложенный
выше алгоритм - метода имеет
несколько очевидных преимуществ.
1.
Расчеты и логическая структура метода отличаются сравнительной простотой, и,
следовательно, соответствующая программа для ЭВМ оказывается относительно
короткой.
2.
Уровень требований к объему памяти ЭВМ невысокий, массив имеет размерность (n+1, n+2).
3.
Используется сравнительно небольшое число заранее установленных параметров: масштабный
множитель , коэффициент уменьшения
множителя (если применяется правило
2) и параметры окончания поиска.
4.
Алгоритм оказывается эффективным даже в тех случаях, когда ошибка вычисления
значений целевой функции велика, поскольку при его реализации оперируют
наибольшими значениями функции в вершинах, а не наименьшими.
Перечисленные
факторы характеризуют метод поиска по симплексу как весьма полезный при проведении
вычислений в реальном времени.
Алгоритм
обладает также рядом существенных недостатков.
1.
Не исключено возникновение трудностей, связанных с масштабированием, поскольку
все координаты вершин симплекса зависят от одного и того же масштабного множителя
. Чтобы обойти трудности
такого рода, в практических задачах следует промасштабировать все переменные с
тем, чтобы их значения были сравнимыми по величине.
2.
Алгоритм работает слишком медленно, так как полученная на предыдущих итерациях
информация не используется для ускорения поиска.
3.
Не существует простого способа расширения симплекса, не требующего пересчета
значений целевой функции во всех точках образца. Таким образом, если по какой-либо причине
уменьшается (например, если встречается область с узким «оврагом» или «хребтом»),
то поиск должен продолжаться с уменьшенной величиной шага.
4.1.2.
Метод поиска Хука-Дживса.
Метод,
разработанный Хуком и Дживсом, является одним из первых алгоритмов, в которых
при определении нового направления поиска учитывается информация, полученная на
предыдущих итерациях. По существу процедура Хука—Дживса представляет собой
комбинацию «исследующего» поиска с циклическим изменением переменных и
ускоряющегося поиска по образцу с использованием определенных эвристических
правил. Исследующий поиск ориентирован на выявление характера локального
поведения целевой функции и определение направлений вдоль «оврагов». Полученная
в результате исследующего поиска информация затем используется в процессе
поиска по образцу при движении по «оврагам».
Исследующий
поиск.
Для
проведения исследующего поиска необходимо задать величину шага, которая может
быть различной для разных координатных направлений и изменяться в процессе
поиска. Исследующий поиск начинается в некоторой исходной точке. Если значение
целевой функции в пробной точке не превышает значения функции в исходной
точке, то шаг поиска рассматривается как успешный. В противном случае
необходимо вернуться в предыдущую точку и сделать шаг в противоположном
направлении с последующей проверкой значения целевой функции. После перебора
всех N координат исследующий поиск завершается. Полученную в результате точку
называют базовой точкой.
Поиск
по образцу.
Поиск
по образцу заключается в реализации единственного шага из полученной базовой
точки вдоль-прямой, соединяющей эту точку с предыдущей базовой точкой. Новая
точка образца определяется в соответствии с формулой
Как
только движение по образцу не приводит к уменьшению целевой функция, точка фиксируется в качестве
временной базовой точки и вновь проводится исследующий поиск. Если в результате
получается точка с меньшим значением целевой функции, чем в точке , то она рассматривается
как новая базовая точка . С
другой стороны, если исследующий поиск неудачен, необходимо вернуться в точку и провести исследующий
поиск с целью выявления нового направления минимизации. В конечном счете, возникает
ситуация, когда такой поиск не приводит к успеху. В этом случае требуется
уменьшить величину шага путем введения некоторого множителя и возобновить
исследующий поиск. Поиск завершается, когда величина шага становится
достаточно малой. Последовательность точек, получаемую в процессе реализации
метода, можно записать в следующем виде:
- текущая базовая точка,
- предыдущая базовая точка,
- точка, построенная при движении по образцу,
- следующая (новая) базовая точка.
Приведенная
последовательность характеризует логическую структуру поиска по методу Хука
Дживса.
Структура
метода поиска Хука — Дживса
Шаг
1 . Определить:
начальную точку ,
приращения
коэффициент уменьшения шага ,
параметр окончания поиска .
Ш
а г 2. ровести исследующий поиск.
Ш
а г 3. Был ли исследующий поиск удачным
(найдена ли точка с меньшим значением
целевой
функции)?
Да: перейти к шагу 5.
Нет: продолжать.
Ш
а г 4. Проверка на окончание поиска.
Выполняется
ли неравенство ?
Да: прекратить поиск; текущая точка аппроксимирует точку
оптимума.
Нет: уменьшить приращения по формуле
Перейти
к шагу 2.
Ш
а г 5. Провести поиск по образцу:
Шаг
6. Провести исследующий поиск, используя в качестве базовой точки;
пусть
полученная в результате
точка.
Ш
а г 7. Выполняется ли неравенство ?
Да: положить Перейти
к шагу 5.
Нет: перейти к шагу 4.
Пример
6 Поиск по методу Хука — Дживса
Найти
точку минимума функции используя
начальную точку .
Решение.
Для
того чтобы применить метод прямого поиска .Хука — Дживса, необходимо задать
следующие величины:
векторная величина приращения = ,
коэффициент уменьшения шага = 2,
параметр окончания поиска = 10-4.
Итерации
начинаются с исследующего поиска вокруг точки ,
которой соответствует значение функции Фиксируя
, дадим приращение
переменной :
Успех.
Следовательно,
необходимо зафиксировать и дать
приращение переменной :
Успех.
Таким
образом, в результате исследующего поиска найдена точка
Поскольку
исследующий поиск был удачным, переходим к поиску по образцу:
Далее
проводится исследующий поиск вокруг точки ,
который оказывается удачным при использовании положительных приращений
переменных х1 и х2. В результате получаем точку
Поскольку
, поиск по образцу следует
считать успешным, и становится новой
базовой точкой при следующем проведении поиска по образцу. Итерации
продолжаются, пока уменьшение величины шага не укажет на окончание поиска в
окрестности точки минимума. Последовательные шаги реализации метода показаны на
рисунке.
Из примера следует, что метод Хука — Дживса характеризуется несложной
стратегией поиска, относительной простотой вычислений и невысоким уровнем
требований к объему памяти ЭВМ, который оказывается даже ниже, чем в случае
использования метода поиска по симплексу.
Итерации
поиска по методу Хука-Дживса на примере
|