Univerzitet U Tuzli, Mainski fakultet

Modeliranje i simulacija II

Uslovna OPTIMIZACIJA

Dr. Salko osi

Tuzla, april 2013

_______________________________________________________________________________________________________________________________
1

Univerzitet U Tuzli, Mainski fakultet

Modeliranje i simulacija II

USLOVNA OPTIMIZACIJA ZA FUNKCIJU JEDNE I VIE PROMJENJIVIH

max/ min f (x ) f (x 1 ,..., x n )
skup ogranienja tipa jednakosti i nejednakosti
h1 (x 1 ,..., x n ) 0
g1 (x 1 ,..., x n ) 0

h2 (x 1 ,..., x n ) 0

g 2 (x 1 ,..., x n ) 0

hm (x 1 , ..., x n ) 0

g k (x 1 ,..., x n ) 0

Kod optimizacije sa ogranienjima mogu se posmatrati samo dopustiva reenja (ona koja
zadovoljavaju sva ogranienja). Nelinearno programiranje
Primjer: kontejner - MAPLE

Osnovni algoritmi:
Metod Lagranevih mnoilaca (multiplikatora)
Metod penalty (kaznene) funkcije
Metod barijere
_______________________________________________________________________________________________________________________________
2

Univerzitet U Tuzli, Mainski fakultet

Modeliranje i simulacija II

Primjer: odredi optimalnu prenik (d) i debljinu stijenke (t) nosaa duine L, izloenog dejstvu
sile P=2500 N. Materijal y=500N/mm2.

Ogranienja:

_______________________________________________________________________________________________________________________________
3

Univerzitet U Tuzli, Mainski fakultet

Modeliranje i simulacija II

Primjer: MAPLE
Primjer1:

Primjer 2: Avio-tank, raun + MAPLE

Primjer2:
max x2+y2=1
h(x,y,z) x+y+z=1
_______________________________________________________________________________________________________________________________
4

Univerzitet U Tuzli, Mainski fakultet

Modeliranje i simulacija II

LAGRANGE-OVA METODA za probleme sa ogranienjem tipa jednakosti

f ( x1 , x2 ,...xn ) 0, hi ( x1 , x2 ,...xn ) 0, i 1, 2..m

m

L( x1 , x2 ,...xn , 1 , 2 ,...m ) f ( x1 , x2 ,...xn ) j h j ( x1 , x2 ,...xn )

j 1

L
0, i 1, 2..n;
xi

L
0; j 1, 2..m
j

Lagrange-ova funkcija, Lagranevi mnoioci dopunske nepoznate

PRIMJER: Maksimizirati y = f(x,y) = x2+y2 uz ogranienje h(x,y) = x2+ y2 + 2x 2y + 1=0
L( x, y, ) x 2 y 2 ( x 2 y 2 2 x 2 y 1); Lagraneva funkcija
L
Uslovi optimalnosti I reda (
0)
xi
L x 2 x (2 x 2) 0 x

L y 2 y (2 y 2) 0 y
1
L h x 2 y 2 2 x 2 y 1 0 (dopunska jednaina, ogranienje)

2 +2 -1=0 =-1 2
1
1
1; y
1
2
2
_______________________________________________________________________________________________________________________________
x

Univerzitet U Tuzli, Mainski fakultet

Modeliranje i simulacija II

Primjer: MAPLE

min f ( x1 , x 2 ) ( x1 2) 4 ( x1 2 x2 ) 2
g ( x1 , x2 ) x12 x2 0,

x1, x2 R

LG : ( x1 2) 4 ( x1 2 * x 2)2 L *( x 2 x12 );
LG1 := diff(LG, x1) = 0;
LG2 := diff(LG, x2) = 0;
LGL := diff(LG, L) = 0;
fsolve({LG1, LG2, LGL});
RJEENJE
{L = -3.370685606, x1 = .9455829934, x2 = .8941271974}

_______________________________________________________________________________________________________________________________
6

Univerzitet U Tuzli, Mainski fakultet

Modeliranje i simulacija II

METOD KAZNENE FUNKCIJE

Primjer:
min. f(x) = x2
g(x) = 1-x 0
Penalty funkcija:
Pk(x) = x2 + k(g(x))2 = x2 + k(1-x)2 x 1
P(k,x) = x2
x>1
dPk(x)/dx=2x-2k(1-x) = 0
x*=k/k+1
_______________________________________________________________________________________________________________________________
7

Univerzitet U Tuzli, Mainski fakultet

Modeliranje i simulacija II

Primjer: kaznena (penalty) funkcija, MAPLE

min f mod ( x1 , x2 ) f ( x) h 2 ( x1 , x2 )
KF ( x1 2) 4 ( x1 2 x2 ) 2 ( x12 x2 ) 2

_______________________________________________________________________________________________________________________________
8

Univerzitet U Tuzli, Mainski fakultet

Modeliranje i simulacija II

Uslovna optimizacija sa ogranienjima tipa nejednakosti, KTK uslovi

Prevoenje nejednakosti u jednakost uvoenjem dopunske (dopunjujue) nepoznate

Formiranje proirene funkcije kriterija (ciljna funkcija)

Sistem od ukupno: n + m + m = n + 2m jednaina

KKT uslov (Karush-Kuhn-Tucker)

sistem od n + m jednaina
_______________________________________________________________________________________________________________________________
9

Univerzitet U Tuzli, Mainski fakultet

Modeliranje i simulacija II

GENETIKI ALGORITAM (evolucijski algoritmi)

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

Za sloene modele za koje ne postoje specijalizovani, klasini algoritmi.
Ne garantuje pronalaenje globalnog ekstrema
Puno raunanja sa puno taaka, spora konvergencija
Potrebno vie puta pokrenuti proceduru sa razliitim inicijalnim vrijednostima da bi se pronaao
globalni ekstrem

Problemi pogodni za GA

_______________________________________________________________________________________________________________________________
10

Univerzitet U Tuzli, Mainski fakultet

Osnovni termini:

Modeliranje i simulacija II

ALGORITAM

Populacija
Selection
Fitness
Crossover
Mutation
Gene
Chromosome
Leeder

_______________________________________________________________________________________________________________________________
11

Univerzitet U Tuzli, Mainski fakultet

Modeliranje i simulacija II

Binarno kodiranje i vrednovanje ciljne funkcije (fitness) X=(x1,x2,x3)

_______________________________________________________________________________________________________________________________
12

Univerzitet U Tuzli, Mainski fakultet

Modeliranje i simulacija II

SELEKCIJA:
vjerovatnoa izbora zavisi od veliine fitness-faktora = VRIJEDNOST CILJNE FUNKCIJE

_______________________________________________________________________________________________________________________________
13

Univerzitet U Tuzli, Mainski fakultet

Modeliranje i simulacija II

UKRTANJE IZABRANIH RODITELJA (ne itava nova generacija, jedan dio npr. 70 %)
presjek sa jednom takom
presjek sa dvije take

Mutacija: sluajna (nekontrolisana) promjena osobina, na malom procentu primjeraka nove

generacije (0.1 %)
Od procenata ukrtanja i mutacije bitno zavisi brzina konvergencije algoritma.
_______________________________________________________________________________________________________________________________
14

Univerzitet U Tuzli, Mainski 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
Parametri algoritma
Veliina populacije Vjerovatnoa Vjerovatnoa
ukrtanja
mutacije
10
0.6
0.001
Rezultat optimizacije GA
Temp. Temp. Vrijeme Ciljna
liva
kalupa punjenja funkcija
Optim
220
70
2.6
45
rezultat
_______________________________________________________________________________________________________________________________
15

Univerzitet U Tuzli, Mainski fakultet

Modeliranje i simulacija II

Literatura:
J. Arora: Introduction to Optimum Design Elsevier 2004.

Pitanja:
1. Osnovni algoritmi uslovne optimizacije ?
2. Metoda Lagranevih mnoilaca ?
3. Metoda kazenih funkcija ?
4. KKT uslovi ?
5. Genetiki algoritam, princip, shema ?

_______________________________________________________________________________________________________________________________
16