Лагранжа линейного программирования

В настоящее время для решения оптимальных задач применяют в основном следующие методы 1) исследование функций классического анализа 2) метод множителей Лагранжа 3) вариационное исчисление 4) динамическое программирование 5) принцип максимума 6) линейное программирование. Однако общего метода, пригодного для решения всех без исключения задач, возникающих на практике, нет. Вместе с тем каждый из перечисленных выше методов имеет предпочтительные области применения. Так, метод динамического программирования наилучшим образом приспособлен для решения задач оптимизации многостадийных процессов. Такие задачи чаще всего возникают при проектировании процессов ООС и СК, осуществляемых либо в многоступенчатых реакторах, либо в каскадах реакторов. Поэтому мы в сжатой форме рассмотрим основные положения метода динамического программирования. [c.191]

В простейших случаях, когда целевая функция задана аналитически, используют классические методы нахождения экстремума методами дифференциального исчисления. При наличии ограничений типа равенств, наложенных на независимые переменные, используют метод множителей Лагранжа. В более сложных случаях, когда критерий оптимальности представлен в виде функционалов, используют методы вариационного исчисления-, при оптимизации процессов, описываемых системами дифференциальных уравнений, применяют принцип максимума Понтрягина. Используют также динамическое, линейное программирование и другие методы оптимизации. [c.38]

Тем самым приходим к задаче нелинейного программирования с линейными ограничениями (4.2), (4.3) и вогнутой целевой функцией. Воспользуемся методом Лагранжа, причем так, как это было сделано в [58]. Построим функцию [c.104]

Таким образом, в рассматриваемой системе для целей оптимизации ХТС комплексно используются идеи линейного программирования, методы однопараметрического и многопараметрического поисков и методы учета ограничений (метод модифицированной функции Лагранжа, метод приведенного градиента). [c.236]

В настоящее время для решения оптимальных задач применяют в основном следующие методы 1) методы исследования функций классического анализа 2) методы, основанные на использовании неопределенных множителей Лагранжа 3) вариационное исчисление 4) динамическое программирование 5) принцип максимума 6) линейное программирование 7) нелинейное программирование. В последнее время разработан и успешно применяется для решения определенного класса задач метод геометрического программирования (см. главу X). [c.29]

Функция желательности. Задачу оптимизации процессов, характеризующихся несколькими откликами, обычно сводят к задаче оптимизации по одному критерию с ограничениями в виде равенств или неравенств. В зависимости от вида поверхности отклика и характера ограничений для оптимизации предлагается использовать методы неопределенных множителей Лагранжа, линейного и нелинейного программирования, ридж-анализ [10] и др. К недостаткам этих способов решения задачи оптимизации следует отнести вычислительные трудности. В частности, при описании поверхности отклика полиномами второго порядка решение задачи на условный экстремум с применением неопределенных множителей Лагранжа приводит к необходимости решать систему нелинейных уравнений. Поэтому одним из наиболее удачных способов решения задачи оптимизации процессов с большим количеством откликов является использование предложенной Харрингтоном [23] в качестве обобщенного критерия оптимизации так называемой обобщенной функции желательности О. Для построения обобщенной функции желательности О предлагается преобразовать измеренные значения от- [c.207]

Несмотря на богатый арсенал численных методов, разработанных для решения задач оптимального управления, алгоритмическое и программное оснащение этих задач существенно уступает современному программному обеспечению задач линейного и нелинейного программирования. Лишь для наиболее простых классов задач, в которых нет ограничений на фазовые координаты, построены достаточно эффективные алгоритмы, осуществляющие поиск управлений, удовлетворяющих необходимым условиям оптимальности. Эти алгоритмы, как правило, основаны на применении градиентных процедур или принципа максимума и допускают простую программную реализацию. Применяя метод штрафных функций или модифицированную функцию Лагранжа, с помощью этих алгоритмов можно получить решение некоторых задач и с фазовыми ограничениями, например с условиями на правом конце. Однако такой способ не всегда эффективен, поскольку требует многократного решения задачи при различных значениях параметров и далеко не всегда позволяет получить управление, на котором с заданной точностью выполнялись бы условия оптимальности и ограничения задачи. [c.191]

Независимо от используемого метода линейного программирования при нахождении численных результатов исключительно важное значение имеет сокращение размерности. Остановимся здесь на двух способах сокращения размерности задачи. Один из них основан на использовании свойства однородности линейных уравнений, а другой состоит в применении, как и раньше, множителей Лагранжа. [c.256]

МНОЖИТЕЛИ ЛАГРАНЖА В ЛИНЕЙНОМ ПРОГРАММИРОВАНИИ [c.258]

Вычислить fk Z) с помощью метода динамического программирования, линейного программирования и с помощью метода множителя Лагранжа. [c.269]

Рассматриваемая система считается отказавшей, если в момент отказа работающего элемента -го типа все 5 запасных элементов этого же типа находятся в ремонте. Поставленная задача может решаться двумя способами. Первый из них является параметрическим обобщением метода множителей Лагранжа на случай дискретных переменных 143]. Второй основан на применении метода динамического программирования 130]. Второй способ более общий, может применяться при наличии нескольких линейных ограничений, полностью формализуется и дает приемлемую точность результатов. Наличие этих факторов позволяет применять модель определения оптимального уровня запасов резервных элементов на химических предприятиях различных типов, поэтому выбираем метод решения задачи, основанный на принципах динамического программирования. [c.100]

Для оптимизации ХТС успешно применяется система под названием МИНОС [95], в которой используется комбинация методов модифицированной функции Лагранжа, приведенного градиента и линейного программирования. Так как эта система может служить прототипом комбинаций разных методов и подходов, остановимся на ней более подробно. [c.234]

Функция желательности. Задачу оптимизации процессов, характеризующихся несколькими откликами, обычно сводят к задаче оптимизации по одному критерию с ограничениями в виде равенств или неравенств. В зависимости от вида поверхности отклика и характера ограничений для оптимизации предлагается использовать методы неопределенных множителей Лагранжа, линейного и нелинейного программирования, ридж-анализ и др. К недостаткам этих способов решения задачи оптимизации следует отнести вычислительные трудности. В частности, при описании поверхности отклика полиномами второго порядка решение задачи на условный экстремум с применением неопределенных множителей Лагранжа приводит к необходимости решать систему нелинейных уравнений. Поэтому одним из наиболее удачных способов решения задачи оптимизации процессов с большим количеством откликов, является использование предложенной Харрингтоном в качестве обобщенного критерия оптимизации так назьгааемой обобщенной функции желательности В. Для построения обобщенной функции желательности Г) предлагается преобразовать измеренные значения откликов в безразмерную шкалу желательности й. Построение шкалы желательности, которая устанавливает соотношение между значением отклика у и соответствующим ему значением с1 (частной функцией желательности), является в своей основе субъективным, отражающим отношение исследователя (потребителя) к отдельным откликам. [c.205]

Повышение эффективности решения координирующих и локальных задач достигается при удачном применении подходов координации и методов решения локальных задач. Кроме известных подходов координации Данцига—Вульфа [89—91], Корная—Липтака [92—94] и подобных им [95—100], соответственно, целесообразными являются также имитационный подход согласования иерархических решений, методы отыскания равновесной игровой стратегии [101 —106] или равновесного состояния ГАХТС, моделируемой в виде некоторой физической системы [107]. Мощным инструментом решения задач линейного и нелинейного программирования является сведение этих задач к некоторым эквивалентным проблемам безусловного поиска экстремумов с помощью вспомогательных функций (функций штрафов, Лагранжа и их комбинаций) [108—119]. Удачное применение методов поиска экстремумов сложных функций, их модификаций и комбинации с целью образования адаптивных — самонастраивающихся алгоритмов [c.89]