лекция 1. Лекция 2 Тема Классификация задач оптимизации (2 час.) Классы задач оптимизации
 Скачать 0.49 Mb.
|
|
1 Лекция 2 Тема 1.2. Классификация задач оптимизации (2 час.) Классы задач оптимизации 1.2.1. Классы задач оптимизации Как и в любой классификации, разделение задач оптимизации на отдельные классы достаточно условно. Отметим, что одна и та же прикладная задача может приводить к разным задачам оптимизации в зависимости от того, какая математическая модель используется при рассмотрении реального объекта оптимизации. Ясно, что желательно применять более простые модели, но в то же время достаточно полно отражающие свойства объекта, существенные с точки зрения поставленной цели, выраженной в критерии оптимальности. Поэтому при выборе либо разработке математической модели или же при обосновании ее упрощения необходимо достаточно четко представлять, к какому классу будет относиться поставленная задача оптимизации и какие методы применимы для ее решения. Пусть f 0 (x) — целевая функция, количественно выражающая некоторый критерий оптимальности и зависящая от координат x j , j = , точки х R n Эти координаты являются параметрами оптимизации (иногда их называют также переменными задачи оптимизации или просто переменными задачи). При математической формулировке задачи оптимизации целевую функцию выбирают с таким знаком, чтобы решение задачи соответствовало поиску минимума этой функции. Поэтому формулировку общей задачи математического программирования обычно записывают так: f 0 (x) —> min, х Ω , (1.2.1) где Ω R n — множество возможных альтернатив, рассматриваемых при поиске решения задачи. Любую точку х Ω называют допустимым решением задачи математического программирования, а само множество — множеством допустимых решений или, короче, допустимым множеством. Точку х * Ω, в которой функция f 0 (x) достигает своего наименьшего значения, называют оптимальным решением задачи. При отсутствии ограничений множество Ω совпадает с областью определения D(f 0 ) R n целевой функции. Если же рассматриваемые альтернативы должны удовлетворять некоторым ограничениям, то множество допустимых решений сужается. Задачу (1.2.1) в дальнейшем будем называть задачей минимизации целевой функции на множестве Ω, понимая под этим нахождение наименьшего значения функции f 0 (x) на Ω и точек х Ω, в которых оно достигается. Но целевая функция может и не достигать на Ω наименьшего значения. Тогда говорят о точной нижней грани функции f 0 (x) на этом множестве и вместо (1.2.1) используют запись 2 f 0 (x) —> inf , х Ω (1.2.2) Отличие (1.2.1) от (1.2.2) в том, что в первом случае предполагают существование точки х * Ω, в которой целевая функция достигает своего наименьшего значения на множестве Ω, а во втором случае такая точка может и не существовать. Поэтому решение общей задачи математического программирования состоит в том, чтобы в первом случае найти точные (или с некоторой заданной точностью) значения координат x j , j = , точки х * Ω и значение целевой функции f 0 (x*) = , а во втором случае построить такую последовательность {х m } точек х m Ω , которой бы соответствовала последовательность {f 0 (х m ) }, сходящаяся к значению , и вычислить это значение с заданной точностью. Отметим, что в большинстве прикладных задач имеет место первый случай, поэтому использование записи вида (1.2.2) будем оговаривать особо. Если f 0 (x) — линейная функция, то ее область определения совпадает c R n . B R n такую функцию можно представить с помощью стандартного скалярного произведения в виде f 0 (x) = (с, x), где с= (c 1 , ..., с n ) R n — известный вектор. Ясно, что целевая функция f 0 (x)) = (c,x) = может достигать наименьшего значения f 0 (x*) на множестве Ω О лишь в точках границы ∂Ω этого множества. Если в задаче нет ограничений, то Ω = R n и точная нижняя грань линейной функции равна —∞. Поэтому в случае линейной целевой функции задача оптимизации (c,x) —> min , х R n , (1.2.3) имеет смысл лишь при наличии ограничений. В частном случае, когда заданы линейные ограничения типа равенства Bx = d, х R n , (1.2.4) где d R k , В — матрица размера k×n, а параметры оптимизации могут принимать лишь неотрицательные значения, т.е. x j ≥ 0 , j = , (1.2.5) соотношения (1.2.3)-(1.2.5) составляют стандартную задачу линейного программирования, или задачу линейного программирования в стандартной форме (в литературе ее часто называют канонической задачей линейного программирования, или задачей линейного программирования в канонической форме). Если к (1.2.3)-(1.2.5) добавить m ограничений типа неравенства , (1.2.6) где a ij R, i = , то соотношения (1.2.3)-(1.2.6) приведут к формулировке общей задачи линейного программирования. При этом ограничения (1.2.5) могут относиться не ко всем n параметрам оптимизации, а лишь к некоторым из них. При 3 отсутствии ограничений типа равенства соотношения (1.2.3), (1.2.5) и (1.2.6) составляют формулировку основной задачи линейного программирования (иногда ее называют естественной задачей линейного программирования). Неравенства x j ≥ a j , x j ≤ b j и a j ≤ x j ≤ b j , j = , называют прямыми ограничениями на переменные задачи, причем последнее относят к двусторонним, а первые два — к односторонним. Таким образом, ограничения (1.2.5) являются прямыми односторонними. Если при линейных ограничениях минимизируемая целевая функция помимо линейной комбинации вида (1.2.3) включает положительно определенную квадратичную форму, т.е. (с, х) + (Qx, х) —> min, (1.2.7) где Q — положительно определенная матрица порядка n , то говорят о задаче квадратичного программирования, а функцию вида (1.2.7) называют квадратичной. В случае, когда целевая функция является отношением двух линейных функций, а ограничения линейны, имеем задачу дробно-линейного программирования. В задаче нелинейного программирования ограничения могут быть заданы в неявном виде. Тогда множество Ω возможных альтернатив приходится строить путем количественного анализа математической модели объекта оптимизации. Если ограничения принадлежат к типам равенства и (или) неравенства f l (x) = 0, l = ; g i (x) ≤ 0, i = , (1.2.8) но хотя бы одна из функций f l (x), g i (x) или целевая функция не является линейной, то говорят об общей задаче нелинейного программирования. Среди целевых функций достаточно широкий класс составляют выпуклые функции. Во многих прикладных задачах оптимизации область допустимых значений параметров оптимизации оказывается выпуклым множеством. В такой области целевая функция может сохранять одно и то же направление выпуклости, т.е. выпукла либо вниз (выпукла), либо вверх (вогнута). Например, зависимость эффективности технического устройства от параметров оптимизации является вогнутой функцией. Дело в том, что чем выше технические характеристики устройства, тем труднее добиться его дальнейшего совершенствования и существенного приращения эффективности. Наоборот, целевые функции, выражающие массу, габариты или стоимость технического устройства, по тем же причинам обычно выпуклы. Аналогичная ситуация характерна и для функций, описывающих экономические системы. Например, рост объема выпускаемой продукции происходит не прямо пропорционально капиталовложениям или количеству используемых ресурсов, а с замедлением, причем это замедление часто тем больше, чем больше объем производства. Это приводит к вогнутости так называемых производственных функций, выражающих зависимость объема выпускаемой продукции от израсходованных ресурсов. Наоборот, при фиксированном объеме производства дальнейшее снижение производственных затрат и стоимости единицы продукции по сравнению с достигнутым уровнем также происходит 4 с замедлением, что приводит к выпуклости целевых функций, описывающих стоимостные характеристики производства. Ясно, что любую вогнутую целевую функцию, изменив знак, можно сделать выпуклой. Задачи оптимизации, в которых необходимо найти наименьшее значение выпуклой целевой функции, рассматриваемой на выпуклом множестве, относят к задачам выпуклого программирования. Частными случаями таких задач являются задачи квадратичного и линейного программирования. Если множество Ω допустимых решений оказывается конечным множеством, то мы имеем задачу дискретного программирования, а если к тому же координаты этих точек — целые числа, то — задачу целочисленного программирования. |