|
|||||||||||||||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
На минимумZ < Zп Да
Нет
8 Нет 9 abs(h)<e h = - a h
Да 10 11 Рисунок 3.7 – Алгоритм поиска Вывод xп-h, Zп Останов экстремума по методу поразрядного приближения Метод квадратичной интерполяции-экстраполяции является одним из методов аппроксимации кривыми и базируется на приближении целевой функции квадратичной параболой по трем точкам – текущее приближение x1= xп и точки, лежащие от нее слева x0 и справа x2 на удалении h и нахождении экстремума аналитически. Процесс проводится до тех пор, пока предыдущее и последующее приближения различаются более, чем на заданную точность поиска. Алгоритм метода следующий (рисунок 3.8, 3.9): 1. находим x0 = xп - h; y0 = f(x0); x1 = xп; y1 = f(x1); x2 = xп + h; y2 = f(x2); 2. находим параметры параболы, проходящей через три выбранных точки a = (yo- 2y1 + y2) / (2h2); b = (-yo (2x1 + h) + 4y1 x1 - y2 (2x1 - h)) / (2h2); Тогда очередное приближение x на основе аналитической оптимизации аппроксимирующей функции равно xп = - b/(2a); 3. проверяем условие: abs(xп - x1) < e. Если выполняется, то оптимум найден. Иначе переходим к 1-му пункту алгоритма.
На минимум: f(x)
f(x)=ax2+bx+c
f(xп+h) f(xп-h) f(xп)
xп-h xп xп+h x Рисунок 3.8 – Графическая интепретация метода на основе квадратичной аппроксимации
1 Пуск
Ввод xп, h, e xп – текущее значение приближения к решению; h – параметр интервала
9 аппроксимации; e – точность поиска 4 7 a =... b =...
xi = xп +(i-1) h xп = -b/(2a)
6 9 Нет abs(x1- xп)<e 4 yi= f(xi) Да
Zп= f(xп)
11 Рисунок 3.9 – Алгоритм на основе Вывод xп, Zп квадратичной аппроксимации
Останов
Методы случайного поиска основаны на формировании на отрезке поиска случайным образом расчетных точек, вычислении в этих точках значений функции и выборе из них экстремального. Точность определяется числом точек поиска n. Повторение испытаний описывается формулой Бернулли (биноминальным распределением) , k = 0, 1, 2,..., n, где k – число благоприятных случаев; n – общее число испытаний; p – вероятность благоприятного исхода при одном испытании; q – вероятность, противоположная p (q=1-p). Вероятность, что событие наступит n раз ; что не наступит ни разу ; наступит хотя бы один раз .
Если абсолютную точность поиска решения на участке (b - a) обозначить через ε, то вероятность решения при одном испытании p = ε/(b - a). При этом вероятности Р1 получения решения в зависимости от числа испытаний n при различных p приведены в таблице 3.1.
Таблица 3.1 – Оценка точности поиска
Например, если p = ε /(b - a)=0.01, то вероятность получения решения с точностью ε при числе испытаний n = 100 равна 0.634; при n =200 – 0.866; при n = 500 – 0.993; при n = 1000 – 0.99996, т.е. требуется 10 (b - a) /ε испытаний для надежного решения (Р1> 0.9999) с заданной точностью ε. Аналогичная зависимость, как видно из таблицы, имеет место и при других точностях решения. Имеется большое множество методов оптимизации на основе случайного поиска и их разновидностей. Ниже приведена иллюстрация простейшего метода поиска, состоящая в последовательном формировании на отрезке от a до b случайным образом расчетной точки xт, расчете в ней целевой функции f(xт), сравнении значения функции f(xт) и ранее найденного "лучшего" значения функции f(xп), присвоении xп =xт и f(xп) =f(xт), если текущая точка "лучше". Формирование случайной точки производится по выражению xт = a + r (b-a), где r – случайное число, равномерно распределенное в интервале от 0 до 1.0.
f(x)
f(xт)
f(xп)
a xп xт b x Рисунок 3.10 – Графическая интепретация метода случайного поиска (на минимум)
Более эффективным является метод случайного поиска с пересчетом, алгоритм которого приведен на рисунке 3.11. Принимаемые значения показателей aш, bш, h и L должны находится в определенном соотношении, например начальные значения могут быть приняты bш = 2; h= bш /5; aш = 0.25; L=10. Формирование случайной расчетной точки xт (блок 9) производится относительно текущего приближения xп на основе использования случайных чисел r, равномерно распределенных в интервале от 0 до 1.0. Произведение sh определяет отрезок, в пределах которого формируется случайная точка.
Поиск по сайту: |
Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.006 сек.) |