Простейший градиентный метод
Анализ методов определения минимального и максимального значения функции многих переменных без ограничений
В данном разделе будет рассматриваться задача безусловной оптимизации, т.е. данная задача характеризуется тем, что минимум функции f: Rm ® R ищется на всем пространстве: f(x) ® min, x Î Rm. Методы безусловной оптимизации функции многих переменных отличаются относительно высоким уровнем развития по сравнению с другими методами нелинейного программирования. Условно их можно разбить на три широких класса по типу используемой информации: · методы прямого поиска, основанные на вычислении только значений целевой функции; · градиентные методы, в которых используются точные значения первых производных f (x); · методы второго порядка, в которых наряду с первыми производными используются также вторые производные функции f (x). Методы прямого поиска Здесь предполагается, что f(x) непрерывна и унимодальная. Если рассматриваемые методы применяются для анализа мультимодальных функций, то приходится ограничиваться идентификацией локальных минимумов. К особенностям этих методов можно отнести: · относительная простота соответствующих вычислительных процедур, которые быстро реализуются и легко корректируются; · не требуют явного выражения целевой функции в аналитическом виде; · может требовать более значительных затрат времени по сравнению с методами, основанными на производных. Метод поиска по симплексу Процедура симплексного метода базируется на регулярном симплексе. Регулярный симплекс в N-мерном пространстве представляет собой многогранник, образованный N+1 равностоящими друг от друга точками - вершинами. Так в задаче с двумя переменными симплексом является равносторонний треугольник, с тремя - тетраэдр. 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 отбрасывается вершина, которой соответствует наибольшее значение целевой функции. Преимущества метода: · сравнительная простота логической структуры метода и, соответственно, программы для ЭВМ; · используется сравнительно небольшое число заранее установленных параметров; · невысокий уровень требований к ЭВМ; · алгоритм эффективен даже в тех случаях, когда ошибка вычисления значений целевой функции велика, т.к. при его реализации используют наибольшие значения функции в вершинах, а не меньшие. Недостатки метода: · возникает проблема масштабирования, поскольку все координаты вершин симплекса зависят от одного масштабного множителя. Чтобы избежать такого рода проблем в практических задачах, следует промасштабировать все переменные с тем, чтобы их значения были сравнимы по величине; · алгоритм работает достаточно медленно, т.к. полученная на предыдущих итерациях информация не используется для ускорения поиска; · не существует простого способа расширения симплекса. Требуется перерасчет значений целевой функции во всех точках образца. Градиентные методы Важность прямых методов неоспорима, т.к. в практических задачах информация о значениях целевой функции является единственно надежной информацией, которой располагает инженер. Однако, если существует и непрерывны целевая функция f(x) и ее первые производные, a также они могут быть записаны в аналитическом виде (или с достаточно высокой точностью вычислены при помощи численных методов), то целесообразно использовать методы, основанные на использовании градиента целевой функции. Градиент функции F(x) – это вектор, составляющие которого равны частным производным функции F(x) по соответствующим переменным, т.е.
Направление вектора градиента совпадает с направлением наискорейшего возрастания функции. Вектор противоположного знака -ÑF(x) называется антиградиентом, его направление совпадает с направлением наискорейшего убывания функции. Матрица вторых производных Ñ2F(x) – это симметричная квадратная матрица порядка n вторых частных производных функции F(x). Эту матрицу называют матрицей Гессе и обозначают H(x) = Ñ2F(x). Ее элемент, расположенный на пересечении i-й строки и j-го столбца, равен:
Пусть хТ=[x1, x2,…, xn] – вектор переменных. Для наличия в точке x* локального минимума (максимума) необходимо, чтобы выполнялось равенство ÑF(x*) = и матрица Гессе H(x*) = Ñ2F(x*) была положительно (отрицательно) полуопределенной, т.е. xTHx ³ ( xTHx £). Достаточным условием существования минимума (максимума) в точке x* является положительная (отрицательная) определённость матрицы Гессе в этой точке, т.е. xTHx > ( xTHx<). Все методы основаны на итерационной процедуре, реализуемой в соответствии с формулой xk+1 = xk + ak s(xk), где xk - текущее приближение к решению x*; ak - параметр, характеризующий длину шага; s(xk) - направление поиска в N - мерном пространстве управляемых переменных xi, i = 1, 2,..., N. Способ определения ak и s(xk) на каждой итерации связан с особенностями применяемого метода. Обычно выбор ak осуществляется путем решения задачи минимизации f(x) в направлении s(xk). Поэтому при реализации градиентных методов необходимо использовать эффективные алгоритмы одномерной минимизации. Простейший градиентный метод В основе метода лежит следующая итерационная модификация формулы
xk+1 = xk + a k s(xk), xk+1 = xk - a k Ñ f(xk), где
a - заданный положительный коэффициент; Ñ f(xk) - градиент целевой функции первого порядка. Недостатки: · необходимость выбора подходящего значения ; · медленная сходимость к точке минимума ввиду малости f(xk) в окрестности этой точки.
Популярное: Модели организации как закрытой, открытой, частично открытой системы: Закрытая система имеет жесткие фиксированные границы, ее действия относительно независимы... Как построить свою речь (словесное оформление):
При подготовке публичного выступления перед оратором возникает вопрос, как лучше словесно оформить свою... Почему двоичная система счисления так распространена?: Каждая цифра должна быть как-то представлена на физическом носителе... Генезис конфликтологии как науки в древней Греции: Для уяснения предыстории конфликтологии существенное значение имеет обращение к античной... ©2015-2024 megaobuchalka.ru Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. (180)
|
Почему 1285321 студент выбрали МегаОбучалку... Система поиска информации Мобильная версия сайта Удобная навигация Нет шокирующей рекламы |