ТОР 5 статей: Методические подходы к анализу финансового состояния предприятия Проблема периодизации русской литературы ХХ века. Краткая характеристика второй половины ХХ века Характеристика шлифовальных кругов и ее маркировка Служебные части речи. Предлог. Союз. Частицы КАТЕГОРИИ:
|
Выбор независимых переменных 8 страница
Таблица 5.3 Результаты оптимизации тестовой функции методом параллельных касательных
Таблица 5.4 Результаты оптимизации тестовой функции методом наискорейшего спуска
Таблица 5.5 Результаты оптимизации тестовой функции методом Гаусса – Зейделя
Таблица 5.6 Результаты оптимизации тестовой функции методом конфигураций
Таблица 5.7 Результаты оптимизации тестовой функции методом квадратичной аппроксимации
В данном разделе исследуется также эффективность известных алгоритмов случайного поиска по сравнению с предлагаемым методом случайного поиска с регулируемой величиной спуска. Рассмотрим задачу отыскания минимума функции многих переменных с ограничениями на аргументы следующими методами: 1) случайного поиска с пересчётом при переменной длине шага; 2) стохастическим вариантом наискорейшего спуска; 3) случайного поиска с регулируемой величиной спуска. Стохастический вариант алгоритма наискорейшего спуска отличен от алгоритма случайного поиска с пересчетом тем, что значение приращения независимой переменной на (j+1) шаге не изменяется при условии: (5.1) где - длина шага поиска на (j+1) этапе; - случайный вектор, компоненты которого являются независимые случайные величины, распределенные по равномерному закону в интервале (-1,1). Т.е. продолжается движение в ту же сторону до тех пор, пока будет смещение в «удачном» направлении. На основании вышеизложенного работу первых двух алгоритмов можно представить следующим образом: в случае смещения в «неудачном» направлении (невыполнение условия 5.1) мы остаемся в предыдущей точке . В противном случае сдвигаемся в пространстве на , затем вырабатывается новое значение и т.д. – при использовании алгоритма случайного поиска с пересчётом. Если используется стохастический вариант наискорейшего спуска, то продолжаем двигаться в «удачном» направлении . Отметим, что изложенные алгоритмы обладают достоинствами и недостатками. Например, стохастический вариант алгоритма наискорейшего спуска быстро находит экстремум функции в случае её монотонного характера (за счёт длительного спуска в «удачном» направлении), но в случае, если функция носит «овражный» характер, то работа алгоритма значительно замедляется. Противоположностью этого метода является алгоритм случайного поиска с пересчетом, который лучше проявляет себя, когда существенно нелинейная, и хуже, когда монотонна. Анализируя эти два алгоритма, делается попытка найти метод, который объединял бы достоинства вышеуказанных методов, тем самым, обеспечивая более эффективный поиск экстремума широкого класса функций . Блок-схема предлагаемого алгоритма случайного поиска с регулируемой величиной спуска приведена на рис.5.1 (символом J обозначено число шагов поиска, L - вспомогательная переменная). Заметим, что приведённая блок-схема при соответствует алгоритму случайного поиска с пересчетом и стохастическому варианту алгоритма наискорейшего спуска при . Рассмотрим суть алгоритма случайного поиска с регулируемой величиной спуска. Он отличается от уже изложенных поисковых методов тем, что изменение "удачного" направления производится не на каждом шаге (как в алгоритме с пересчетом) и не при невыполнении условия (5.1) (как в стохастическом варианте алгоритма наискорейшего спуска), а при выполнении условия
Где - коэффициент спуска, .
Таким образом, спуск в удачном направлении продолжается до тех пор, пока текущее значение оптимизируемой функции не уменьшится в раз относительно величины функции, полученной при первом удачном шаге (при L=1). Исследования проводились на тестовой функции вида при ограничениях имеющей экстремум при и
Сравнение эффективности работы алгоритмов производилось по двум критериям: среднему числу вычислений оптимизируемой функции в зависимости от коэффициента спуска Ксп и среднему числу вычислений Jср от расстояния r начальной точки до точки экстремума . В каждой точке проводилось 10 экспериментов. Исследование проводилось при следующих начальных значениях: 1) начальный вектор ; 2) начальное значение длины шага поиска ; 3) критерий останова принят как при 4) коэффициенты изменения шага .
Рис.5.1 Блок-схема алгоритма случайного поиска с регулируемой величиной спуска
1. Алгоритм С.П. с пересчётом при переменной длине шага (5.2)
(5.3) 2. Стохастический вариант наискорейшего спуска при
(5.4)
Рис. 5.2 Зависимость
Рис. 5.3 Зависимость Таблица№5.8
Таблица№5.9
Таблица№5.10
Таблица №5.11
Результаты экспериментов представлены в таблице 5.8, где - среднеквадратичное отклонение от среднего числа вычислений оптимизируемой функции. График зависимости представлен на рис. 5.2.
По данным таблицы 5.8 можно построить таблицу 5.9, в которой отражены: - процент снижения среднего числа вычислений в алгоритме случайного поиска с регулируемой величиной спуска к аналогичному критерию в других алгоритмах:
Из таблицы 5.9 следует, что при среднее число вычислений в предлагаемом алгоритме уменьшается на 34,65% по сравнению с алгоритмом случайного поиска с пересчетом и на 29,97% по сравнению с алгоритмом наискорейшего спуска, что говорит о преимуществе предлагаемого алгоритма по первому критерию эффективности. Далее исследовалось влияние расстояния r от начальной точки до экстремального значения на среднее число вычислений оптимизируемой функции. Исследование проводилось при следующих начальных значениях: 1) коэффициент спуска ; 2) критерий останова принят при ; 3) коэффициенты изменения шага . Результаты экспериментов представлены в таблице 5.10 (расстояние r вычислялось как ). График зависимости приведён на рис. 5.3. Результаты расчётов показывают, что объём вычислений при увеличении r в стохастическом варианте алгоритма наискорейшего спуска возрастает значительно быстрее, чем в предлагаемом алгоритме.
5.2 Сопоставительный анализ методов НЛП в классе задач параметрической оптимизации САУ
Одной из центральных проблем, стоящих перед проектировщиком современных сложных систем управления, является моделирование объектов проектирования и анализ получаемых результатов с целью нахождения оптимального проектного решения. Применение ЭВМ позволяет задавать условия задачи в виде алгоритмов решения нелинейных дифференциальных уравнений, программ моделирования, оптимизации и т.п. Не нашли, что искали? Воспользуйтесь поиском:
|