Professional Documents
Culture Documents
Uslovna OPTIMIZACIJA
_______________________________________________________________________________________________________________________________
1
Univerzitet U Tuzli, Mainski fakultet Modeliranje i simulacija II
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:
Primjer2:
max x2+y2=1
h(x,y,z) x+y+z=1
_______________________________________________________________________________________________________________________________
4
Univerzitet U Tuzli, Mainski fakultet Modeliranje i simulacija II
L L
0, i 1, 2..n; 0; j 1, 2..m
xi 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
1
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
x 1; y 1
2 2
_______________________________________________________________________________________________________________________________
5
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
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
_______________________________________________________________________________________________________________________________
8
Univerzitet U Tuzli, Mainski fakultet Modeliranje i simulacija II
sistem od n + m jednaina
_______________________________________________________________________________________________________________________________
9
Univerzitet U Tuzli, Mainski fakultet Modeliranje i simulacija II
Problemi pogodni za GA
_______________________________________________________________________________________________________________________________
10
Univerzitet U Tuzli, Mainski fakultet Modeliranje i simulacija II
Populacija
Selection
Fitness
Crossover
Mutation
Gene
Chromosome
Leeder
_______________________________________________________________________________________________________________________________
11
Univerzitet U Tuzli, Mainski fakultet Modeliranje i simulacija II
_______________________________________________________________________________________________________________________________
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 %)
_______________________________________________________________________________________________________________________________
14
Univerzitet U Tuzli, Mainski fakultet Modeliranje i simulacija II
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