Пример расчета минимума функции методом деформируемого многогранника
Постановка задачи. Рассматриваем задачу минимизации функции Вершины начального многогранника рассчитываем как в обычном симплексе X1(1) = [2.25 2.36]Т; X2(1) = [2.5 2.78]Т; X3(1) = [2.75 2.36]Т. Зададим параметры алгоритма a = 1; b = 0,5; g = 2. На первой итерации при k = 1. Вычислим значение функции в вершинах исходного многогранника f(X1(1)) = 6.10480; f(X2(1)) = 9.4261; f(X3(1)) = 4.197. Наихудшей вершиной является Xh(1) = X2(1), а наилучшей Xl(1) = X3(1). Определяем центр тяжести [(2.25+ 2.50 + 2.75) – 2.5]/2 = 2.5, [(2.36 + 2.78 + 2.36) – 2.78]/2 = 2.36. и рассчитываем координату отражения = 2.5 + 1(2.5 – 2.5) = 2.5, = 2.5 + 1(2.5 – 2.78) = 1.94. Значение функции в этой точке f(X5(1)) = 1.967, что меньше, чем в X1(1). Поэтому, проводим операцию растяжения = 2.5 + 2(2.5 – 2.5) = 2,5, = 2.5 + 2(2.22 – 2.5) = 1.52. Значение функции f(2.5 1.52) = 0.354. Поскольку f(X6(1)) < f(X5(1)), заменяем X2(1) на X6(1) и полагаем X6(1) = X1(2) на следующем этапе поиска. Результаты расчета нескольких итераций метода представлены в таблице 2.5. Траектория поиска метода представлена на рис.2.5. Таблица 2.5 Результаты расчета минимума функции f(X) = (x1 - 2)4 + (х1 - 2х2)2. методом Нелдера-Мида.
На пятой итерации симплекс достиг области экстремума, что говорит о высокой эффективности метода. Отраженная вершина вновь становится «наихудшей», поэтому для достижения необходимой точности необходимо провести редукцию. Рис.2.5 Графическая иллюстрация поиска минимума функции методом Нелдера-Мида. Методы с использованием производных 1-го порядка Градиентный метод Стратегия обычного градиентного метода оптимизации без ограничений использует только первые производные целевой функции. На k-м этапе переход из точки Х(k) в точку Х(k+1) описывается следующим соотношением: X(k+1) = X(k) + DX(k) = X(k) + l(k)× (k), где DX(k) - вектор перехода из точки Х(k) в точку Х(k+1); (k) - единичный вектор в направлении DX(k); l(k) - скаляр, равный величине шага. Величина шага l(k) в процессе движения остается постоянной. В ряде случаев предусматривается адаптация к топологии поверхности. Градиент целевой функции f(Х) в любой точке Х есть вектор в направлении наибольшего локального увеличения f(Х). Следовательно, нужно двигаться в направлении, противоположном градиенту f(Х), поскольку отрицательный градиент f(Х) в точке Х(k) направлен в сторону наибольшего уменьшения f(Х) по всем компонентам Х и ортогонален линии уровня f(Х) в точке Х(k). Введение направления, противоположного нормированному (единичному) градиенту f(Х), определяемого в точке Х(k) определяется по формуле , тогда . При расчете экстремума функции градиентным методом при переходе к минимуму или в овражных ситуациях возникает характерный случай, который заключается в зигзагообразном движении. Поэтому величину шага необходимо уменьшать. Одним из возможных подходов к адаптации является расчет угла j между последовательными векторами шагов. При малых j величину шага следует уменьшать, а при больших соответственно увеличивать. Это позволяет сократить число шагов и повышает работоспособность метода.
Популярное: Почему стероиды повышают давление?: Основных причин три... Как выбрать специалиста по управлению гостиницей: Понятно, что управление гостиницей невозможно без специальных знаний. Соответственно, важна квалификация... Как вы ведете себя при стрессе?: Вы можете самостоятельно управлять стрессом! Каждый из нас имеет право и возможность уменьшить его воздействие на нас... ©2015-2024 megaobuchalka.ru Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. (1086)
|
Почему 1285321 студент выбрали МегаОбучалку... Система поиска информации Мобильная версия сайта Удобная навигация Нет шокирующей рекламы |