Previous Page  5 / 14 Next Page
Information
Show Menu
Previous Page 5 / 14 Next Page
Page Background

значений) модели совпадают с составляющими некоторого заданного

ограниченного спектра или достаточно близки к ним [13]. Для оцен-

ки уровня рассогласования сравниваемых составляющих спектров ис-

пользован векторный способ описания. Возможные подходы основаны

на минимизации квадратичной функции рассогласования или мини-

мизации максимальной функции рассогласования составляющих. Так,

для попарно сравниваемых спектральных составляющих может быть

построено следующее конечное множество критериев рассогласова-

ния:

f

i

(

x

) =

|

ζ

i

(

x

)

ζ

i

(

x

)

|

,

x

X

R

n

,

i

J

. Здесь

ζ

i

(

x

)

, ζ

i

(

x

)

собственные значения, относящиеся к исходному (текущему) и задан-

ному спектрам;

x

— вектор переменных управления;

X

— допустимая

область;

n

— размерность задачи;

J

=

{

1

, . . . , n

}

;

R

n

n

-мерное ве-

щественное линейное пространство. Необходимо найти такой вектор

переменных управления, который приводит к наименьшим отличи-

ям между сравниваемыми спектрами, т.е. следует провести настрой-

ку модели объекта на заданный спектр. Это эквивалентно одновре-

менной минимизации всех

N

критериев рассогласования: требуется

найти

min

x

X

R

n

f

(

x

)

, где векторная целевая функция имеет структуру

f

(

x

) = (

f

1

(

x

)

, . . . , f

N

(

x

))

т

.

Обратная задача восстановления формулируется в следующем ви-

де: определить вектор переменных управления

x

X

, который мини-

мизирует максимальное значение критерия рассогласования

min

x

X

R

n

max

i

I

{

f

i

(

x

)

}

.

(P)

Решением сформулированной дискретной минимаксной задачи (Р)

является такой вектор

x

= (

x

1

, . . . , x

n

)

т

, принадлежащий множеству

допустимых значений, при котором скалярная критериальная функция

f

(

x

) = max

{

f

1

(

x

)

, . . . , f

N

(

x

)

}

принимает минимальное значение.

В случае

f

(

x

) = 0

спектр частот настраиваемой модели полностью

совпадает с заданным спектром по

N

низшим частотам. Последнее

условие вследствие, например, неполноты экспериментальных дан-

ных и погрешностей, полученных при измерениях, не выполняется.

Ниже рассмотрена регуляризованная задача

(P)

α

с многоэкстремаль-

ной не всюду дифференцируемой критериальной функцией

f

(

x

)

и

параметром регуляризации

α >

0

.

Далее в обобщение постановок экстремальных задач восстановле-

ния рассмотрим задачу глобальной оптимизации, формулируемую в

следующем виде:

f

(

x

) = min

x

X

R

n

f

(

x

)

,

(5)

где

X

=

{

x

D

:

g

i

(

x

)

0

, i

I

}

;

(6)

ISSN 1812-3368. Вестник МГТУ им. Н.Э. Баумана. Сер. “Естественные науки”. 2016. № 2

69