You are on page 1of 16

Univerzitet U Tuzli, Mašinski fakultet

Modeliranje i simulacija II

Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Uslovna OPTIMIZACIJA Tuzla, april 2013 Dr. Salko

Uslovna OPTIMIZACIJA

Tuzla, april 2013

Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Uslovna OPTIMIZACIJA Tuzla, april 2013 Dr. Salko

Dr. Salko Ćosić

_______________________________________________________________________________________________________________________________

1

Univerzitet U Tuzli, Mašinski fakultet

Modeliranje i simulacija II

USLOVNA OPTIMIZACIJA ZA FUNKCIJU JEDNE I VIŠE PROMJENJIVIH

m ax/ min f ( x )  f ( x , ... , x )
m ax/ min
f
(
x
)
f
(
x
,
...
,
x
)
1
n
skup ograničenja tipa
jednakosti i
nejednakosti
h
(
x
,
...
,
x
)
0
g
(
x
,
...
,
x
)
0
1
1
n
1
1
n
h
(
x
,
...
,
x
)
0
g
(
x
,
...
,
x
)
0
2
1
n
2
1
n
h
(
x
, ...
,
x
)
0
g
(
x
,.
..
,
x
)  0
m
1
n
k
1
n
Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II USLOVNA OPTIMIZACIJA ZA FUNKCIJU JEDNE I VIŠE

Kod optimizacije sa ograničenjima mogu se posmatrati samo dopustiva rešenja (ona koja zadovoljavaju sva ograničenja). Nelinearno programiranje

Primjer: kontejner - MAPLE

Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II USLOVNA OPTIMIZACIJA ZA FUNKCIJU JEDNE I VIŠE
Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II USLOVNA OPTIMIZACIJA ZA FUNKCIJU JEDNE I VIŠE

Osnovni algoritmi:

Metod Lagranževih množilaca (multiplikatora)

Metod penalty (kaznene) funkcije

  • Metod barijere

_______________________________________________________________________________________________________________________________

2

Univerzitet U Tuzli, Mašinski fakultet

Modeliranje i simulacija II

Primjer: odredi optimalnu prečnik (d) i debljinu stijenke (t) nosača dužine L, izloženog dejstvu sile P=2500 N. Materijal σ y =500N/mm 2 .

Ograničenja:
Ograničenja:

_______________________________________________________________________________________________________________________________

3

Univerzitet U Tuzli, Mašinski fakultet

Modeliranje i simulacija II

Primjer: MAPLE

Primjer1:

Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Primjer: MAPLE Primjer1: Primjer 2: Avio-tank, račun
Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Primjer: MAPLE Primjer1: Primjer 2: Avio-tank, račun

Primjer 2: Avio-tank, račun + MAPLE

Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Primjer: MAPLE Primjer1: Primjer 2: Avio-tank, račun
Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Primjer: MAPLE Primjer1: Primjer 2: Avio-tank, račun
Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Primjer: MAPLE Primjer1: Primjer 2: Avio-tank, račun

Primjer2:

max x 2 +y 2 =1 h(x,y,z) x+y+z=1

_______________________________________________________________________________________________________________________________

4

Univerzitet U Tuzli, Mašinski fakultet

Modeliranje i simulacija II

LAGRANGE-OVA METODA – za probleme sa ograničenjem tipa jednakosti

f x ( , x , ... x )  0, h x ( , x
f x
(
,
x
,
...
x
)
0,
h x
(
,
x
,
...
x
)
0,
i
1,2
..
m
1
2
n
i
1
2
n
m
L x
(
,
x
,
...
x
,
 
,
,
...
)
f x
(
,
x
,
...
x
)
h
(
x
,
x
,
...
x
)
1
2
n
1
2
m
1
2
n
j
j
1
2
n
j  1
L
L
0,
i
1,2
..
n
;
0;
j
1,2
..
m
x
i
j

Lagrange-ova funkcija, Lagranževi množioci – dopunske nepoznate

PRIMJER: Maksimizirati

y = f(x,y) = x 2 +y 2 uz ograničenje

h(x,y) = x 2 + y 2

+ 2x 2y + 1=0

2 2 2 2 L ( x , y ,  )  x  y
2
2
2
2
L
(
x
,
y
,
)
x
y
(
x
y
2
x
2
y
1); Lagranževa funkcija
 L
Uslovi optimalnosti I reda (
0)
 x
i
L
2
x
(2
x
2)
   
0
x
x
 1
L
2
y
(2
y
2)
 
0
y
y
 1
2
2
L
 
h
x
y
2
x
2
y
 
1
0 (dopunska jednačina, ograničenje)
2
+2
-1=0 
=-1
2
1
1
x
1;
y
 
1
2
2
Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II LAGRANGE-OVA METODA – za probleme sa ograničenjem

_______________________________________________________________________________________________________________________________

5

Univerzitet U Tuzli, Mašinski fakultet

Modeliranje i simulacija II

Primjer: MAPLE

4 2 min f x x ( , )  ( x  2)  (
4
2
min
f x x
(
,
)
(
x
2)
(
x
2
x
)
1
2
1
1
2
2
g x x
(
,
)
x
x
0,
x x
R
1
2
1
2
1,
2
4 2 2 LG  : ( x  1 2)  x  ( 1
4
2
2
LG 
:
(
x 
1
2)
 x 
(
1
2 *
x
2)
 L
*(
x
2
 x 1 ) ;
LG1 := diff(LG, x1) = 0;
LG2 := diff(LG, x2) = 0;
LGL := diff(LG, L) = 0;
fsolve({LG1, LG2, LGL});
RJEŠENJE
{L = -3.370685606, x1 = .9455829 934, x 2 = .894127197 4}
Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Primjer: MAPLE 4 2 min f x

_______________________________________________________________________________________________________________________________

6

Univerzitet U Tuzli, Mašinski fakultet

Modeliranje i simulacija II

METOD KAZNENE FUNKCIJE

Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II METOD KAZNENE FUNKCIJE Primjer: 2 min. f(x)
Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II METOD KAZNENE FUNKCIJE Primjer: 2 min. f(x)
Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II METOD KAZNENE FUNKCIJE Primjer: 2 min. f(x)

Primjer:

2

min. f(x) = x g(x) = 1-x 0

Penalty funkcija:

Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II METOD KAZNENE FUNKCIJE Primjer: 2 min. f(x)

P k (x) = x 2 + k(g(x)) 2 = x 2 + k(1-x) 2 P(k,x) = x 2

x ≤ 1 x > 1

dP k (x)/dx=2x-2k(1-x) = 0

x*=k/k+1

Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II METOD KAZNENE FUNKCIJE Primjer: 2 min. f(x)

_______________________________________________________________________________________________________________________________

7

Univerzitet U Tuzli, Mašinski fakultet

Modeliranje i simulacija II

Primjer: kaznena (penalty) funkcija, MAPLE

min f ( x x , )  f x ( )    h
min
f
(
x x
,
)
f x
(
)
h
2
(
x x
,
)
mod
1
2
1
2
KF x
(
2)
4
(
x
2
x
)
2
(
x
2
x
)
2
1
1
2
1
2
Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Primjer: kaznena (penalty) funkcija, MAPLE min f

_______________________________________________________________________________________________________________________________

8

Univerzitet U Tuzli, Mašinski fakultet

Modeliranje i simulacija II

Uslovna optimizacija sa ograničenjima tipa nejednakosti,

KTK uslovi

Prevođenje nejednakosti u jednakost uvođenjem dopunske (dopunjujuće) nepoznate

Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Uslovna optimizacija sa ograničenjima tipa nejednakosti, KTK

Formiranje proširene funkcije kriterija (ciljna funkcija)

Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Uslovna optimizacija sa ograničenjima tipa nejednakosti, KTK
Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Uslovna optimizacija sa ograničenjima tipa nejednakosti, KTK

Sistem od ukupno: n + m + m = n + 2m jednačina KKT uslov (Karush-Kuhn-Tucker)

Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Uslovna optimizacija sa ograničenjima tipa nejednakosti, KTK

sistem od n + m jednačina

_______________________________________________________________________________________________________________________________

9

Univerzitet U Tuzli, Mašinski fakultet

Modeliranje i simulacija II

GENETIČKI ALGORITAM (evolucijski algoritmi)

Stohastički algoritam, strategija po ugledu na prosec prirodne selekcije (evolucija)

Za složene modele za koje ne postoje specijalizovani, klasični algoritmi.

Ne garantuje pronalaženje globalnog ekstrema

Puno računanja sa puno tačaka, spora konvergencija

Potrebno više puta pokrenuti proceduru sa različitim inicijalnim vrijednostima da bi se pronašao

globalni ekstrem

Problemi pogodni za GA

Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II GENETIČKI ALGORITAM (evolucijski algoritmi)  Stohastički algoritam,

_______________________________________________________________________________________________________________________________

10

Univerzitet U Tuzli, Mašinski fakultet

Modeliranje i simulacija II

Osnovni termini:

Populacija Selection Fitness Crossover Mutation Gene

  Chromosome Leeder

ALGORITAM

Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Osnovni termini:  Populacija  Selection 

_______________________________________________________________________________________________________________________________

11

Univerzitet U Tuzli, Mašinski fakultet

Modeliranje i simulacija II

Binarno kodiranje i vrednovanje ciljne funkcije (fitness) X=(x 1 ,x 2 ,x 3 )

Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Binarno kodiranje i vrednovanje ciljne funkcije (fitness)
Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Binarno kodiranje i vrednovanje ciljne funkcije (fitness)
Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Binarno kodiranje i vrednovanje ciljne funkcije (fitness)

_______________________________________________________________________________________________________________________________

12

Univerzitet U Tuzli, Mašinski fakultet

Modeliranje i simulacija II

SELEKCIJA:

vjerovatnoća izbora zavisi od veličine fitness-faktora = VRIJEDNOST CILJNE FUNKCIJE

Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II SELEKCIJA: vjerovatnoća izbora zavisi od veličine fitness
Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II SELEKCIJA: vjerovatnoća izbora zavisi od veličine fitness

_______________________________________________________________________________________________________________________________

13

Univerzitet U Tuzli, Mašinski fakultet

Modeliranje i simulacija II

UKRŠTANJE IZABRANIH RODITELJA (ne čitava nova generacija, jedan dio npr. 70 %) presjek sa jednom tačkom presjek sa dvije tačke

Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II UKRŠTANJE IZABRANIH RODITELJA (ne čitava nova generacija,
Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II UKRŠTANJE IZABRANIH RODITELJA (ne čitava nova generacija,
Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II UKRŠTANJE IZABRANIH RODITELJA (ne čitava nova generacija,

Mutacija: slučajna (nekontrolisana) promjena osobina, na malom procentu primjeraka nove generacije (0.1 %) Od procenata ukrštanja i mutacije bitno zavisi brzina konvergencije algoritma.

_______________________________________________________________________________________________________________________________

14

Univerzitet U Tuzli, Mašinski fakultet

Modeliranje i simulacija II

Primjer: optimiziranje procesa livenja pod pritiskom Projektne varijable:

temperature legure temperature kalupa vrijeme punjenja

 

Minimum

Maksimum

Diskretizacija

Temperature legure

220

260

32

Temperatura kalupa

50

70

32

Vrijeme punjenja

1

4

16

Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Primjer: optimiziranje procesa livenja pod pritiskom Projektne

Parametri algoritma

Veličina populacije

Vjerovatnoća

Vjerovatnoća

ukrštanja

mutacije

10

0.6

0.001

Rezultat optimizacije GA

 

Temp.

Temp.

Vrijeme

Ciljna

liva

kalupa

punjenja

funkcija

Optim

220

70

2.6

45

rezultat

Univerzitet U Tuzli, Mašinski fakultet Modeliranje i simulacija II Primjer: optimiziranje procesa livenja pod pritiskom Projektne

_______________________________________________________________________________________________________________________________

15

Univerzitet U Tuzli, Mašinski fakultet

Modeliranje i simulacija II

Literatura:

J. Arora: „Introduction to Optimum Design“ Elsevier 2004.

Pitanja:

  • 1. Osnovni algoritmi uslovne optimizacije ?

  • 2. Metoda Lagranževih množilaca ?

  • 3. Metoda kazenih funkcija ?

  • 4. KKT uslovi ?

  • 5. Genetički algoritam, princip, shema ?

_______________________________________________________________________________________________________________________________

16