Previous Page  6 / 14 Next Page
Information
Show Menu
Previous Page 6 / 14 Next Page
Page Background

D

=

{

x

R

n

:

a

j

x

j

b

j

, j

J

}

;

(7)

f

(

x

)

— целевая функция;

g

i

(

x

)

— функции ограничений задачи,

i

I

;

I

=

{

1

, . . . , n

g

}

— конечное множество индексов;

n

g

— число функций

ограничений;

D

— область поиска;

x

— глобальное решение. Функ-

ции

f

(

x

)

,

g

i

(

x

)

,

i

I

, задачи (5)–(7) предполагаются непрерывными

липшицевыми. Так, критериальная функция удовлетворяет условию

Липшица

|

f

(

x

0

)

f

(

x

00

)

| ≤

L

k

x

0

x

00

k

, x

0

, x

00

[

a, b

]

(8)

с неизвестной константой

L

,

0

< L <

, по эвклидовой норме. Пред-

полагается также, что действительная функция

f

: R

n

R

является

многоэкстремальной, возможно, не всюду дифференцируемой и для

нее задана вычислительная процедура, позволяющая определять зна-

чения функции в точках допустимой области.

Гибридные алгоритмы оптимизации.

Некоторые современные

методы глобальной оптимизации представлены в работах [14, 15].

Следует отметить, что эффективность детерминированных алгоритмов

существенно ограничена их зависимостью от размерности задачи. В

случае большого числа переменных применяют алгоритмы стохасти-

ческой глобальной оптимизации. Вместе с тем, чувствительность к

выбору параметров алгоритмов этого типа, устанавливаемых пользо-

вателем или обусловленных содержанием задачи, во многом опреде-

ляет скорость сходимости итерационного процесса. Этого недостатка

лишен кратный алгоритм столкновения частиц M-PCA (Multi-Particle

Collision Algorithm), который основан на алгоритме Метрополиса и

входит в число наиболее мощных современных стохастических алго-

ритмов глобальной оптимизации [16]. Существенно, что применение

стохастических алгоритмов глобальной оптимизации требует значи-

тельных вычислительных ресурсов. Один из путей повышения эф-

фективности таких алгоритмов — совершенствование процедуры ло-

кального поиска.

Структуры алгоритмов глобальной минимизации, представленных

ниже, построены на основе стохастического алгоритма M-PCA, объ-

единенного с процедурами поиска локальных минимумов не всюду

дифференцируемых функций. Работа современного алгоритма гло-

бальной оптимизации M-PCA основана на применении аналогии с

физическими процессами абсорбции и рассеяния частиц при ядер-

ных реакциях. В простейшей версии алгоритма для исследования

области поиска используется одна частица. На начальном шаге вы-

бирается пробное решение (Old_Config), которое затем модифици-

руется путем стохастического возмущения (Perturbation( )), что по-

зволяет найти новое решение (New_Config). С помощью функции

70

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