9899

Классификация задач оптимизации

Реферат

Математика и математический анализ

Классификация задач оптимизации оптимизируемая функция (целевая функция, целевой функционал, критерий качества и т.п.), численно выражает степень достижения целей функционирования оптимизиру...

Русский

2013-03-18

70 KB

146 чел.

Классификация задач оптимизации

 

  F(X)  

F = {f1, f2, . . . , fk} - оптимизируемая функция (целевая функция, целевой функционал, критерий качества и т.п.), численно выражает степень достижения целей функционирования оптимизируемого объекта

X = (x1, x2, ..., xn)T - вектор независимых переменных, его компоненты - неизвестные задачи оптимизации (переменные оптимизации) - являются управляемыми входами объекта оптимизации  

D - множество допустимых значений неизвестных, определяемое налагаемыми на неизвестные ограничениями (допустимая область, допустимое множество)

S - пространство оптимизации

  min F(X) = - max(-F(X))

F = {f1, f2, ..., fk}

k = 1 - задача однокритериальной или скалярной оптимизации,  

k > 1 - задача многокритериальной или векторной оптимизации

 

F(X)  

X = (x1, x2, ..., xn)T 

n = 1 - задача одномерной (иногда - линейной) оптимизации,

n > 1 - задача многомерной оптимизации или задача оптимизации со многими переменными.

Допустимая область

D = S  - задача безусловной оптимизации или задача оптимизации без ограничений (какие-либо ограничения на неизвестные отсутствуют)

D S - задача условной оптимизации или задача с ограничениями (т.е. в задаче не все значения переменных допустимы)

Пространство оптимизации

S = Rn - задача оптимизации с непрерывными переменными

S = Zn - задача целочисленной оптимизации

S = Bn - задача булевой оптимизация (частный случай задачи целочисленной оптимизации, при которой переменные могут принимать только два значения - ноль и единица). Если при этом f(X) принимает значения из Rn, то - задача псевдобулевой оптимизации

Если значение целевой функции зависит от некоторых комбинаций объектов из конечного набора, их размещения или способа упорядочения, то такие задачи называются задачами комбинаторной оптимизации 

Задачи целочисленной и комбинаторной оптимизации объединяются понятием задач дискретной оптимизации 

В задачах смешанной оптимизации могут одновременно присутствовать переменные нескольких или даже всех типов (наиболее известный частный случай - задачи смешанного целочисленного программирования с целочисленными и непрерывными переменными)

Свойства функций, входящих в постановку задачи оптимизации

Целевая функция имеет более одного локального экстремума - задача глобальной или многоэкстремальной оптимизации (если требуется найти все локальные экстремумы или наилучший из них)

В задачах локальной оптимизации требуется найти один локальный экстремум (единственный для одноэкстремальной целевой функции или любой для многоэкстремальной)

Целевая функция и/или функции, описывающие ограничения, заданы не аналитически (в виде компьютерных программ, имитационных моделей, человеко-машинных процедур или как выход реальной системы) - задачи оптимизации с неявными функциями (поисковые задачи оптимизации)

Все функции, входящие в постановку задачи, записываются в явном аналитическом виде - задача математического программирования

Общая формулировка задачи математического программирования:

 f(X)   ,

при ограничениях                

 hi(X) = 0, i = 1, . . . , m,

 gi(X) 0, i = m+1, . . . , p.

Все функции, входящие в постановку, являются непрерывно дифференцируемыми - задача дифференцируемой оптимизации, иначе – задача недифференцируемой оптимизации

 

Целевая функция выпукла, функции-ограниче-ния образуют выпуклую допустимую область - задача выпуклой оптимизации 

Целевая функция сепарабельна, ограничения линейны - задача сепарабельного программирования 

Целевая функция квадратичная, ограничения – линейны - задача квадратичного программирования 

Все функции общего вида - общая задача нелинейного программирования

Целевая функция и функции-ограничения являются линейными относительно независимых переменных - задача линейного программирования 

Более узкие постановки задачи линейного программирования - транспортная задача, задача о назначениях, задача целочисленного линейного программирования и т.п.


Примеры задач ЛП

Задача использования сырья. Для использования двух видов продукции Р1 и Р2 используют три вида сырья S1, S2 и S3. Запасы сырья в количество единиц сырья, затрачиваемых на изготовление единицы продукции, и прибыль от единицы продукции приведены в таблице. Необходимо составить план выпуска продукции, максимизирующий прибыль.

Вид сырья

Запасы

Затраты сырья

Р1

Р2

S1

20

2

5

S2

40

8

5

S3

30

5

6

Прибыль от единицы

продукции

50

40

x1  0, x2  0,

z = 50x1 + 40x2   max.


Задача составления рациона ("оптимальной смеси"). При откорме каждое животное ежедневно должно получать не менее 9 единиц питательного вещества S1, не менее 8 единиц вещества S2 и не менее 12 единиц вещества S3. для составления рациона используют два вида корма. Содержание количества единиц питательных веществ в 1 кг корма приведены в таблице. Необходимо составить дневной рацион нужной питательности, причем затраты на него должны быть минимальными.

Вещества

Кол-во ед. питат. вещ-в в 1 кг

корм 1                  

корм 2

S1

     3

     1

S2

     1

     2

S3

     1

     6

Стоимость 1 кг корма

     4

     6

Z=4x1+6x2 min

x1  0, x22 0.


Общий вид задачи ЛП:

 Z = c1x1 + c2x2 + . . . + cnxn   min (max)

при условиях:

 x1  0, x2  0, . . . , xn  0,

a11x1 + a12x2 + . . . + a1nxn   (=, ) b1,

a21x1 + a22x2 + . . . + a2nxn   (=, ) b2,

.    .    .    .   .    .    .   .    .    .    .   .

am1x1 + am2x2 + . . . + amnxn   (=, ) bm.

Значения bi, cj, aij - известны (выявлены на стадии анализа реальной ситуации)

В матричных обозначениях

.

Задача ЛП записывается в виде:

 z = CTX  min (max),

при условиях:

 X 0,  

 AX   (=, ) B.

Параметрические задачи оптимизации (параметрическое программирование) - функции и коэффициенты, входящие в постановку задачи зависят от некоторого параметра или параметров

Вся исходная информация задачи оптимизации определена однозначно – детерминированные задачи оптимизации

Все или некоторые параметры модели носят вероятностный характер - принятие решения в условиях риска (стохастические задачи, стохастическое программирование, стохастическая аппроксимация)

Неопределенность данных имеет не вероятностный характер - оптимизация в условиях неопределенности (нечеткое математическое программирование или нечеткая оптимизация)

 

Конечномерные (матпрограммирование) и бесконечномерные (вариационное исчисление)

      На плоскости xOy даны две точки А1(x1, y1) и А2(x2, y2). Найти кривую кратчайшей длины, соединяющую эти точки.

 

y(x1) = y1, y(x2) = y2.


Статические и динамические (оптимальное управление)

Задача оптимального управления:

дана система, поведение которой описывается дифференциальным уравнением

,

где x- вектор фазовых координат, u- вектор управления, t- время.

На вектора x и u наложены ограничения: x X, uU.

Система рассматривается на интервале t[0, T].

Требуется определить вектор-функции u(t), x(t) доставляющие минимум функционалу J=J(x, u) при переводе из начального состояния (x(0), 0) в конечное состояние (x(T), T).

F – дифференцируемая функция своих аргументов.


Классификация методов оптимизации

Один из способов классификации методов оптимизации состоит в соотнесении их оптимизационным задачам, для решения которых они предназначены

По типу информации о производных, требуемой для организации процесса оптимизации, методы подразделяются на методы

- методы нулевого порядка, требующие только вычислений значений функции в точках пространства оптимизации и не требующие аналитического вида производных;

- методы первого порядка (градиентные), требующие кроме значений функции в точке еще и аналитическое задание производных первого порядка для вычисления градиента;

- методы второго порядка (ньютоновские), для работы которых требуются еще и производные второго порядка

Другая классификация:

- методы прямого поиска,

- методы линейной аппроксимации,

- методы квадратичной аппроксимации,

 

По степени математической обоснованности методы делят на эвристические и рациональные.

Методы оптимизации подразделяют на детерминированные и стохастические. Стохастические алгоритмы используют элементы случайности при выборе направления или длины шага в процессе оптимизации.

Оптимизирует не компьютер и даже не алгоритм, введенный в этот компьютер. Оптимизирует всегда человек. Он и несет ответственность за результат.

10

PAGE  8


 

А также другие работы, которые могут Вас заинтересовать

81425. Четвертичная структура белков. Особенности строения и функционирования олигомерных белков на примере гемсодержащего белка - гемоглобина 104.92 KB
  Особенности строения и функционирования олигомерных белков на примере гемсодержащего белка гемоглобина. В частности молекула гемоглобина состоит из двух одинаковых α и двух βполипептидных цепей т. Молекула гемоглобина содержит четыре полипептидные цепи каждая из которых окружает группу гема пигмента придающего крови ее характерный красный цвет. Простетическая группа нековалентно связана с гидрофобной впадиной молекулы гемоглобина.
81426. Лабильность пространственной структуры белков и их денатурация. Факторы, вызывающие денатурацию 100.13 KB
  Под лабильностью пространственной структуры белка понимают способность структуры белковой молекулы претерпевать конформационные изменения под действием различных физикохимических факторов. Под денатурацией следует понимать нарушение общего плана уникальной структуры нативной молекулы белка преимущественно ее третичной структуры приводящее к потере характерных для нее свойств растворимость электрофоретическая подвижность биологическая активность и т. При непродолжительном действии и быстром удалении денатурирующих агентов возможна...
81427. Шапероны - класс белков, защищающий другие белки от денатурации в условиях клетки и облегчающий формирование их нативной конформации 105.78 KB
  Шаперо́ны (англ. chaperones) — класс белков, главная функция которых состоит в восстановлении правильной третичной структуры повреждённых белков, а также образование и диссоциация белковых комплексов. Термин «молекулярный шаперон» впервые был использован в работе Ласкей и других при описании ядерного белка нуклеоплазмина
81428. Многообразие белков. Глобулярные и фибриллярные белки, простые и сложные. Классификация белков по их биологическим функциям и по семействам: (сериновые протеазы, иммуноглобулины) 106.76 KB
  Глобулярные и фибриллярные белки простые и сложные. Так белки можно классифицировать: по форме молекул глобулярные или фибриллярные; по молекулярной массе низкомолекулярные высокомолекулярные и др.; по химическому строению наличие или отсутствие небелковой части; по выполняемым функциям транспортные защитные структурные белки и др.; по локализации в организме белки крови печени сердца и др.
81429. Иммуноглобулины, особенности строения, избирательность взаимодействия с антигеном. Многообразие антигенсвязывающих участков Н- и L-цепей. Классы иммуноглобулинов, особенности строения и функционирования 108.05 KB
  Домены тяжёлых цепей IgG имеют гомологичное строение с доменами лёгких цепей. Специфичность пути разрушения комплекса антигенантитело зависит от класса антител которых существует 5 типов: Ig IgD IgE IgG IgM. Созревающие Влимфоциты синтезируют мономерные бивалентные молекулы IgM по структуре похожие на рассматриваемые выше IgG которые встраиваются в плазматическую мембрану клеток и играют роль первых антигенраспознающих рецепторов. В количественном отношении IgG доминируют в крови и составляют около 75 от общего количества этих...
81430. Физико-химические свойства белков. Молекулярный вес, размеры и форма, растворимость, ионизация, гидратация 103.82 KB
  Молекулярный вес размеры и форма растворимость ионизация гидратация Индивидуальные белки различаются по своим физикохимическим свойствам: форме молекул молекулярной массе суммарному заряду молекулы соотношению полярных и неполярных групп на поверхности нативной молекулы белка растворимости белков а также степени устойчивости к воздействию денатурирующих агентов. Различия белков по молекулярной массе. Молекулярная масса белка зависит от количества аминокислотных остатков в полипептидной цепи а для олигомерных белков и от...
81431. Методы выделения индивидуальных белков: осаждение солями и органическими растворителями, гель-фильтрация, электрофорез, ионообменная и аффинная хроматография 104.42 KB
  Метод выделения белков основанный на различиях в их растворимости при разной концентрации соли в растворе. Соли щелочных и щёлочноземельных металлов вызывают обратимое осаждение белков т. Чаще всего для разделения белков методом высаливания используют разные концентрации солей сульфата аммония NH42SO4.
81432. Методы количественного измерения белков. Индивидуальные особенности белкового состава органов. Изменения белкового состава органов при онтогенезе и болезнях 110.81 KB
  Индивидуальные особенности белкового состава органов. Изменения белкового состава органов при онтогенезе и болезнях. Для определения количества белка в образце используется ряд методик: Биуретовый метод один из колориметрических методов количественного определения белков в растворе.
81433. История открытия и изучения ферментов. Особенности ферментативного катализа. Специфичность действия ферментов. Зависимость скорости ферментативных реакций от температуры, рН, концентрации фермента и субстрата 143.03 KB
  Особенности ферментативного катализа. Зависимость скорости ферментативных реакций от температуры рН концентрации фермента и субстрата. Собственно ферментами от лат. Важнейшие особенности ферментативного катализа эффективность специфичность и чувствительность к регуляторным воздействиям.