Metody optymalizacji Wykład /2016

Slides:



Advertisements
Podobne prezentacje
Sterowanie – metody alokacji biegunów II
Advertisements

Metody badania stabilności Lapunowa
Systemy stacjonarne i niestacjonarne (Time-invariant and Time-varing systems) Mówimy, że system jest stacjonarny, jeżeli dowolne przesunięcie czasu  dla.
Nie-archimedesowe (leksykograficzne) PZ
Mechanizm wnioskowania rozmytego
Programowanie matematyczne
mgr inż. Ryszard Chybicki Zespół Szkół Ponadgimnazjalnych
Metoda simpleks Simpleks jest uniwersalną metodą rozwiązywania zadań programowania liniowego. Jest to metoda iteracyjnego poprawiania wstępnego rozwiązania.
Badania operacyjne. Wykład 2
ZLICZANIE cz. II.
Ü     warunkiem koniecznym istnienia ekstremum funkcji jest by pierwsze pochodne spełniały warunek:
Metody Sztucznej Inteligencji w Sterowaniu 2009/2010Optymalizacja miary efektywności działania sztucznych sieci neuronowych Dr hab. inż. Kazimierz Duzinkiewicz,
Kryterium Nyquista Cecha charakterystyczna kryterium Nyquist’a
Liniowe modele decyzyjne – rozwiązania i analiza post-optymalizacyjna
Metoda simpleks opracowanie na podstawie „Metody wspomagające podejmowanie decyzji w zarządzaniu” D. Witkowska, Menadżer Łódź Simpleks jest uniwersalną.
Teoria sterowania 2012/2013Sterowanie – użycie obserwatorów pełnych II Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów Sterowania 1 Sterowanie.
Metody Lapunowa badania stabilności
AUTOMATYKA i ROBOTYKA (wykład 6)
Metody numeryczne SOWIG Wydział Inżynierii Środowiska III rok
Obserwatory zredukowane
Stabilność Stabilność to jedno z najważniejszych pojęć teorii sterowania W większości przypadków, stabilność jest warunkiem koniecznym praktycznego zastosowania.
Rozważaliśmy w dziedzinie czasu zachowanie się w przedziale czasu od t0 do t obiektu dynamicznego opisywanego równaniem różniczkowym Obiekt u(t) y(t) (1a)
Zadanie programowania liniowego PL dla ograniczeń mniejszościowych
II Zadanie programowania liniowego PL
Zadanie programowania liniowego PL dla ograniczeń mniejszościowych
Zakładamy a priori istnienie rozwiązania α układu równań.
Sterowanie – użycie obserwatorów pełnych
MECHANIKA NIEBA WYKŁAD r.
Technika optymalizacji
Modelowanie i Identyfikacja 2011/2012 Metoda propagacji wstecznej Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 1 Warstwowe.
Modelowanie i identyfikacja 2010/2011Optymalizacja miary efektywności działania sztucznych sieci neuronowych Dr hab. inż. Kazimierz Duzinkiewicz, Katedra.
Modelowanie i podstawy identyfikacji 2012/2013Modele fenomenologiczne - dyskretyzacja Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania1.
Miary efektywności/miary dobroci/kryteria jakości działania SSN
Teoria sterowania 2011/2012Stabilno ść Kazimierz Duzinkiewicz, dr hab. in ż. Katedra In ż ynierii Systemów Sterowania 1 Stabilność Stabilność to jedno.
Sterowalność - osiągalność
Sterowanie – metody alokacji biegunów II
Stabilność Stabilność to jedno z najważniejszych pojęć dynamiki systemów i teorii sterowania W większości przypadków, stabilność jest warunkiem koniecznym.
Zapis graficzny płaszczyzn
Modelowanie i identyfikacja 2013/2014 Identyfikacja rekursywna i nieliniowa I 1 Katedra Inżynierii Systemów Sterowania  Kazimierz Duzinkiewicz, dr hab.
II Zadanie programowania liniowego PL
Rozwiązywanie układów równań liniowych różnymi metodami
Systemy dynamiczne 2014/2015Odpowiedzi – systemy liniowe stacjonarne  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania 1 System.
Analiza numeryczna i symulacja systemów
MECHANIKA NIEBA WYKŁAD r. E r Zagadnienie dwóch ciał I prawo Keplera Potencjał efektywny Potencjał efektywny w łatwy sposób tłumaczy kształty.
Warstwowe sieci jednokierunkowe – perceptrony wielowarstwowe
Metody sztucznej inteligencji – technologie rozmyte i neuronoweReguła propagacji wstecznej  Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów.
 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 1 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy.
Podstawy automatyki I Wykład 1b /2016
Katedra Inżynierii Sterowania Komputerowe systemy sterowania i wspomagania decyzji 2015/2016 © Kazimierz Duzinkiewicz, dr hab. inż. 1 Dekompozycyjne metody.
Podstawy automatyki I Wykład /2016
Treść dzisiejszego wykładu l Metoda kar. l Podsumowanie przekształcania zadań programowania liniowego do postaci tabelarycznej. l Specjalne przypadki –sprzeczność,
1 Metody optymalizacji - Energetyka 2015/2016 Podstawy matematyczne metod optymalizacji © Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów.
© Prof. Antoni Kozioł, Wydział Chemiczny Politechniki Wrocławskiej MATEMATYCZNE MODELOWANIE PROCESÓW BIOTECHNOLOGICZNYCH Temat – 5 Modelowanie różniczkowe.
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Systemy rozmyte – wnioskowanie Mamdani’ego II © Kazimierz Duzinkiewicz, dr hab.
Treść dzisiejszego wykładu l Postać standardowa zadania PL. l Zmienne dodatkowe w zadaniu PL. l Metoda simpleks –wymagania metody simpleks, –tablica simpleksowa.
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Systemy rozmyte – wnioskowanie formalne © Kazimierz Duzinkiewicz, dr hab. inż.
Rozwiązywanie układów równań Radosław Hołówko Konsultant: Agnieszka Pożyczka.
Struktury i algorytmy wspomagania decyzji
Modelowanie i podstawy identyfikacji
Metody optymalizacji Materiał wykładowy /2017
Metody optymalizacji Wykład 1b /2016
Teoria sterowania Wykład /2016
Podstawy automatyki I Wykład /2016
Sterowanie procesami ciągłymi
Sterowanie procesami ciągłymi
Metody sztucznej inteligencji
Teoria sterowania Materiał wykładowy /2017
Sterowanie procesami ciągłymi
2. Ruch 2.1. Położenie i tor Ruch lub spoczynek to pojęcia względne.
Zapis prezentacji:

Metody optymalizacji Wykład 4 - 2015/2016 Energetyka - studia stacjonarne I stopnia Kazimierz Duzinkiewicz, dr hab. Inż. Katedra Inżynierii Systemów Sterowania Wykład 4 - 2015/2016 Metody programowania nieliniowego Metoda nieoznaczonych mnożników Lagrange’a

Metody programowania nieliniowego – metoda nieoznaczonych mnożników Lagrange’a Rozważamy zadanie Przypadki i metody rozwiązania I. Ograniczenia tylko równościowe - rozwiązanie przez podstawienie

Przykład 1 Korzystając z ograniczenia równościowego wyrażamy x1 przez x2 lub odwrotnie Podstawimy do funkcji celu Dostajemy zadanie minimalizacji bez ograniczeń Warunek konieczny pierwszego rzędu dla poszuwania minimum

Przedstawienie graficzne Z podstawienia obliczamy x1 Przedstawienie graficzne Kontur funkcji f(x) rzutowany na płaszczyznę

- rozwiązanie przez zastosowanie metody nieoznaczonych mnożników Lagrange’a Przykład 2 Rozwiązanie graficzne

Analiza rozwiązania graficznego W punkcie optymalnym Gradient funkcji celu w punkcie optymalnym jest ortogonalny do płaszczyzny stycznej do ograniczenia w tym punkcie W punkcie optymalnym gradient funkcji celu i gradient ograniczenia są kolinearne, ale przeciwnie zwrócone nieoznaczony mnożnik Lagrange’a

Sposób postępowania Definiujemy funkcję lagrangianu Warunek konieczny optimum czyli Warunek dopuszczalności

Przykład 2 c.d. Warunki konieczne optymalności oraz

Rozwiązując układ równań otrzymamy Z pierwszych dwóch równań Podstawiając do trzeciego Otrzymamy

Przykład 3 Definiujemy funkcję lagrangianu Warunki konieczne

Podstawiając do warunku dopuszczalności otrzymamy

Podsumowanie (1) gdzie Wprowadzamy Definiujemy lagrangian Warunki konieczne optimum (2) (3)

Dodatkowe wymagania wyznaczenia mnożników (1) (2) i (3)

II. Ograniczenia tylko nierównościowe Przykład 4

Ilustracja graficzna Klasyfikacja ograniczeń – aktywne - nieaktywne

Warunek Kuhn’a – Tucker’a dla punktu optymalnego W punkcie optymalnym, wektor gradientu funkcji celu leży w stożku generowanym przez ujemne gradienty ograniczeń aktywnych w tym punkcie

Warunek Kuhn’a – Tucker’a dla punktu optymalnego w postaci analitycznej W punkcie optymalnym, wektor gradientu funkcji celu leży w stożku generowanym przez ujemne gradienty ograniczeń aktywnych w tym punkcie Przekłada się na wymaganie: Wektor gradientu funkcji celu , musi być nieujemną liniową kombinacją ujemnych gradientów ograniczeń aktywnych, to znaczy muszą istnieć mnożniki Lagrange’a takie, że gdzie: I – indeksy ograniczeń aktywnych

Wynik ten należy uogólnić dla objęcia wszystkich ograniczeń, definiując mnożniki Lagrange’a równe zero dla wszystkich ograniczeń nieaktywnych Widać, że oraz Zatem:

Ostatecznie warunki Kuhn’a – Tucker’a dla punktu optymalnego

III. Ograniczenia zarówno równościowe jaki i nierównościowe Definiujemy mnożniki Lagrange’a związane z ograniczeniami równościowymi i mnożniki związane z ograniczeniami nierównościowymi Budujemy funkcję Lagrange’a postaci

Jeżeli punkt jest lokalnym minimum zagadnienia optymalizacji z ograniczeniami równościowymi i nierównościowymi, to istnieje wektor mnożników Lagrange’a oraz taki, że jest punktem stacjonarnym funkcji Lagrange’a, tzn. i spełnione są dodatkowo warunki

Przykład 5 Rozwiązanie Funkcja Lagrange’a Warunki konieczne

Punkty rozwiązania

– koniec materiału prezentowanego podczas wykładu Dziękuję za uwagę – koniec materiału prezentowanego podczas wykładu