Методы оптимизации поисковые

Сущность оптимизации при выбранной комплексной целевой функции сводится к отысканию при наложенных ограничениях таких значений параметров механизма, которые дают максимум (минимум) целевой функции, характеризующей комплексную эффективность проектируемой машины. При этом используются математические методы оптимизации, позволяющие осуществить непрерывный поиск направления улучшения внутренних параметров механизма за счет количественного изменения их значений. Так как комплексная целевая функция, получаемая сверткой векторных критериев, определяется неявным образом от внутренних параметров синтеза, что не позволяет оценить ее свойства (выпуклость, вогнутость и т. д.), то решение задач оптимизации ведется с помощью поисковых методов, получивших название методов математического программирования. В настоящее время нет экономичного, универсального метода, дающего высокую гарантию получения наилучшей совокупности внутренних параметров машины и механизма, пригодного для решения любой задачи оптимизации. В зависимости от класса решаемых задач из имеющихся в наличии программ, входящих в программное обеспечение методов оптимизации, выбирают такую, которая дает наиболее высокую вероятность отыскания оптимальной совокупности определяемых параметров с наименьшими затратами машинного времени. [c.316]

Наиболее распространенным приемом, позволяющим отстроиться от локальности направленных методов поиска, является организация алгоритмов, в которых на первом этапе применяется пассивный поиск, а в дальнейшем — один из методов направленного поиска. Такое комби нирование методов оптимизации позволяет вести направленный обзор области поиска из нескольких начальных точек (как это показано в примере на рис. 5.21), которые могут формироваться методами сканирования или статистических испытаний. Важно отметить, что начальные точки должны находиться в области допустимых значений параметров. Схема организации комбинированного алгоритма поисковой оптимизации, дающего возможность определять приближения к глобальному экстремуму функции цели, представлена на рис. 5.28. [c.164]

Такая универсальная характеристика рассматриваемых методов оптимизации, как затраты на поиск, и может быть принята для сравнительной оценки эффективности всей группы методов поисковой оптимизации. [c.169]

Основными методами оптимизации в САПР являются поисковые методы, которые основаны на пошаговом изменении управляемых параметров [c.157]

Научно-техническая база ОС включает результаты фундаментальных, поисковых и прикладных научных исследований, открытия и изобретения, принятые к реализации, методы оптимизации параметров объектов стандартизации и прогнозирования потребностей народного хозяйства и населения в данной продукции. ОС проводится на основе целевого подхода одновременно с НИОКР по созданию систем, комплексов и семейств машин, оборудования, механизмов и приборов, решением важнейших экономических и социальных проблем, систематическим изысканием путей повышения технического уровня, качества и конкурентоспособности изделий на международном рынке, с ускорением реализации результатов фундаментальных, прикладных исследований, открытий и изобретений. [c.327]

При построении поисковых алгоритмов оптимизации следует учесть, что многообразие методов оптимального проектирования ЭМП требует их сравнительной оценки и выбора из них наиболее эффективных для решения конкретных задач. Однако достаточно полные критерии теоретической оценки методов пока не разработаны и поэтому оценка осуществляется обычно с помощью вычислительного эксперимента. Анализ работ по оптимальному проектированию ЭМП показывает, что все основные методы программирования получили практическую апробацию. Так, методы упорядоченного перебора использованы для проектирования асинхронных двигателей [42], методы случайного перебора — для проектирования асинхронных двигателей и синхронных генераторов [24], методы градиента, покоординатного поиска, динамического программирования— для проектирования синхронных машин [8], методы случайного направленного поиска —для проектирования асинхронных машин (22] и т. д. [c.144]

Поисковые методы динамического программирования основаны на численных методах решения уравнения (3.75). Общая вычислительная схема на первом этапе сводится к решению задачи одномерной оптимизации ДЯо по параметру Azi, при фиксированной точке Zo и заданной функции /p-i(Zi). Аналитический вид этой функции, как правило, неизвестен, но для численных [c.254]

Методы и алгоритмы поисковой оптимизации [c.153]

Как уже отмечалось, в задачах оптимизации ЭМУ часто приходится иметь дело с параметрами оптимизации, которые могут изменяться, только дискретно. Такие задачи принято называть задачами смешанного целочисленного программирования. Все рассмотренные ранее поисковые методы (за исключением сканирования) позволяют решать такие задачи только при искусственной замене в процессе поиска дис- [c.161]

В результате знакомства с рассмотренными методами поисковой оптимизации нетрудно увидеть, что методы направленного поиска обладают рядом органически присущих им недостатков. [c.162]

Понятие эффективности весьма многообразно. В данном случае речь может идти о сложности алгоритмов и программ, реализующих различные методы, или о возможностях этих программ в решении практических задач. Частично особенности построения алгоритмов поисковой оптимизации, позволяющие судить об их относительной сложности, были рассмотрены ранее. Здесь обсудим вопрос эффективности применения готовых алгоритмов в виде соответствующих программ для рещения задач оптимизации ЭМУ. [c.169]

Таким образом различные методы поиска имеют определенные сферы действия в решении задач оптимизации проектных решений. Поэтому при разработке САПР целесообразно включать в ее состав комплекс алгоритмов и программ поисковой оптимизации. [c.173]

Вводится некоторая уступка Д01 по основному критерию, определяется область поиска по параметрам, и ЭМУ оптимизируется поочередно по всем неосновным функциям цели 02, Од. при условии, что ограничения на другие функции, кроме основной, не принимаются во внимание. Поиск оптимального варианта по различным функциям цели осуществляется с использованием методов поисковой оптимизации. Определяются лучшее и худшее значения каждого неосновного критерия и соответствующие им значения параметров оптимизации. [c.215]

Поиск оптимальных значений параметров управления проводился методами поисковой оптимизации с учетом заданных ограничений по току и потребляемой мощности. При определении параметров двигателя на каждой частоте вращения учитывалось влияние насыщения магнитной цепи по алгоритму, представленному в 6.4. [c.226]

Приведенный пример показывает возможности применения ранее рассмотренных методов и алгоритмов поисковой оптимизации для решения задач оптимального управления. [c.226]

Таким образом, методы и алгоритмы поисковой оптимизации при определенных условиях могут рассматриваться как универсальное средство выявления лучших вариантов проекта с учетом не только внутренних параметров ЭМУ, но и алгоритмов их управления. [c.229]

Кроме того, известно, что допуски на целый ряд параметров (например, на геометрические размеры) регламентируются системой ква-литетов, а следовательно, изменяются дискрета. Для реализации общего подхода к решению задачи оптимизации и соответствующей унификации применяемых алгоритмов целесообразно заменить в первом приближении дискретно изменяемые параметры их непрерывными аналогами. Эта операция, в частности, позволяет применять при определении допусков практически всю совокупность методов и алгоритмов поисковой оптимизации. После получения оптимальных значений допусков они могут быть скорректированы с учетом дискретности изменения допусков на ряд параметров. [c.247]

В составе подсистемы Оптимизация рассматриваемой САПР нашли применение несколько методов поисковой оптимизации. В частности, разработан алгоритм экстраполяционного поиска, предусматривающий генерацию ряда состояний в окрестности каждой текущей точки с определением целевой функции и ограничений, а также их многомерную линейную аппроксимацию. Для решения задач целочисленного программирования, к которым часто сводится оптимизация электрических машин, применяется алгоритм последовательного улучшения функции [c.287]

Метод отжига - метод поисковой оптимизации, в котором для увеличения вероятности выхода из областей притяжения локальных минимумов допускается переход в точки с худшим значением целевой функции с некоторой вероятностью Метод распространения ограничений - метод решения задач условной оптимизации, основанный на сокращении интервалов значений управляемых переменных (или мощности множеств значений этих переменных) благодаря учету исходных ограничений. Сокращенные интервалы в явном виде определяют подмножество допустимых решений [c.312]

Если для выбора динамически оптимального закона движения у(х) наиболее уместны вариационные методы, то для определения дискретных параметров оптимизации целесообразно использовать поисковые методы [50]. Поскольку настоящая par бота посвящена в основном использованию вариационных методов в задачах динамической оптимизации механизмов машин- [c.84]

Таким образом, задача оптимального управления сводится к применению методов прямого поиска. Если имеются граничные условия, то, применяя метод штрафных функций, решение можно свести к решению обычной задачи поисковой оптимизации. [c.310]

Алгоритмы, реализующие методы случайного поиска, обладают большей универсальностью, чем алгоритмы, основанные на регулярных поисковых процедурах, поскольку общая структура таких алгоритмов в принципе не зависит от свойств данной конкретной модели оптимизации и определяется свойствами класса моделей в целом. Это весь.ма существенное достоинство алгоритмов случайного поиска обеспечивается возможностью эффективной адаптации всех без исключения параметров поиска, позволяющей гибко перестраивать тактику и даже стратегию поиска в зависимости от конкретных свойств поисковой ситуации, т. е. свойств функций оптимизационной модели в окрестности текущей точки поиска хь. [c.216]

При структурной оптимизации структура объекта подлежит оптимизации (например, тип металлической конструкции коробчатая или решетчатая). При этом производится параметрическая оптимизация каждой из структур, полученные оптимальные варианты сравниваются между собой и из них выбирается удовлетворяющий наилучшим образом условиям поставленной задачи. Если требуется проанализировать много структур объекта оптимизации, возможен метод машинного поиска решений (автоматизация поискового конструирования) [70 ]. [c.337]

Для методов поисковой оптимизации типичен выбор направления поиска оптимума по результатам последовательных вычислений целевой функции. По способу выбора точки испытания целевой функции поисковые методы безусловной оптимизации делятся на детерминированные методы поиска и методы случайного поиска. В детерминированных методах процесс перехода из точки в точку происходит в соответствии с некото- [c.156]

Таким образом, содержанием любого метода или алгоритма поисковой оптимизации должны быть способы выбора направления поиска gii величины шага /г формул для нормирования управляемых параметров критерия окончания поиска. Эффективность поиска зависит от того, как сделан этот выбор. Составляющими эффективности являются надежность, точность, экономичность. Надежность определяется как вероятность достижения заданной е-окрест-ности экстремальной точки при применении данного метода точность характеризуется гарантированным значением е экономичность отождествляется с потерями на поиск. Потери на поиск выражают трудоемкость процедуры оптимизации, которую в большинстве случаев оценивают количеством обращений к ММ объекта. [c.71]

Существующие алгоритмы для ряда других проектных процедур не приспособлены для крупноблочного распараллеливания. Это относится ко всем вычислительным процедурам, сводящимся к рекуррентным вычислениям. Так, не распараллеливаются процессы, относящиеся к разным шагам численного интегрирования систем дифференциальных уравнений или поисковой оптимизации. Это не означает, что моделирование динамических процессов, поисковая оптимизация и другие подобные им задачи невозможно решать на основе крупноблочного распараллеливания. Такое решение становится возможным по мере разработки соответствующих методов и алгоритмов параллельных вычислений. [c.313]

Таким образом формируется единичный процесс, полученный по аналогии с существующими процессами. Обычно такой процесс не является оптимальным (в структурном отношении), так как основан на использовании случайных процессов, далеко не самых лучших. Оптимизация режимов резания не дает большой экономии, поскольку основной эффект достигается от структурной оптимизации. Поэтому данный метод можно назвать методом случайных аналогий. Качество процесса зависит от результатов поиска детали-аналога — от эффективности работы ИПС технологического назначения. Поиск деталей-аналогов затруднен тем, что детали — это объекты со сложной структурой, и поэтому точность поиска зависит, во-первых, от возможностей информационно-поискового языка, необходимого для формулировки требования на поиск, а во-вторых, от степени детализации описания объектов, хранимых в базе данных. Если хранить лишь описание общих характеристик деталей, то ИПС будет выдавать много лишних деталей из-за невозможности точного задания детали-аналога. Хранение полного описания детали теоретически возможно, но создание базы данных с полным описанием всей номенклатуры деталей чрезвычайно трудоемко. [c.442]

Решение задач параметрического синтеза в САПР выполняется методами поисковой оптимизации (основана на последовательных приближениях к оптимальному решению). Каждая итерация представляет собой шаг в пространстве управляемых параметров. Основными характеристиками метода оптимизации являются способы определения направления, в котором производится шаг в пространстве ХП, величины этого шага и момента окончания поиска. Эти характеристики наряду с особенностями математических моделей оптимизируемых объектов и формулировки задач как задач математического лрограм.мировапия определяют показатели эф-фективпос ги поиска — надежность отыскания экстремальной точки, точность попадания в окрестности этой точки, затраты вычислительных ресурсов па поиск. [c.68]

Числовой подход к решению задачи требует применения ЭВМ и поисковых методов оптимизации. При решении данного примера в качестве параметров оптимизации приняты высота полюсного наконечника hp, высота hm и ширина Ьт полюсного сердечника, высота ярма hj. Однако независимыми являются только параметры Лт и bm, так как hj жестко связан с Ьт, а Ар однозначно определяется одним из равенств а р = Одоп или,Вкр = Вдсл. Они обусловлены тем, что возникающее в процессе оптимизации стремление увеличить окно обмотки возбуждения приводит к превращению соответствующих неравенств в равенства. Все остальные исходные данные расчета индуктора с учетом предыдущих этапов расчета генератора предполагаются фиксированными. Для поиска оптимальных решений использованы градиентный метод и метод локального динамического программирования. Числовое решение рассматриваемой задачи не достигает конечной цели, т. е. не приводит к уравнениям расчета оптимальных значений параметров оптимизации. Конечную цель можно достичь только при сочетании числовых результатов с методами планирования эксперимента. При этом в качестве единичного эксперимента следует рассматривать отдельное оптимальное решение рассматриваемой задачи, полученное для конкретного набора исходных данных. В качестве факторов можно рассматривать любые независимые исходные данные. [c.105]

Во многих случаях задача оптимизации, особенно это относится к задачам нелинейного программирования, решается в несколько этапов. На каждом этапе используется свой метод оптимизации. Например, сначалй используется метод поиска области глобального экстремума. Далее с помощью одного из поисковых методов область, в которой находится экстремальная точка, уменьшается. Если эффективность поисковых методов вблизи оптимума падает, необходимо использовать более точный метод оптимизации. [c.198]

В большинстве задач проектирования при отсутствии аналитического задания целевых функций проверка F( ) на выпуклость или вогнутость, как правило, невозможна, поэтому для решения задач оптимального проектирования используют методы поисковой оптимизации, основанные на исследовании малой окрестности отимальной точки в допустимой области. Основные требования, предъявляемые к методу поиска,— высокая алгоритмическая надежность, приемлемые затраты машинного времени и требуемой памяти. [c.281]

Попытка такой перестройки осуществлена в разработанном нами экспериментальном курсе пространственного эски-зирования, теоретическое обоснование которого приведено в данной работе. В основу экспериментального курса положен метод пространственно-графического моделирования, как наиболее точно соответствующий идее системного подхода к развитию творческого мышления. Реализация этого метода осуществляется в поисковой деятельности оптимизации структуры ( ормы во взаимосвязи с наложенными на структуру условиями. Учебный процесс в этом случае вполне согласуется с информационными требованиями автоматизации профессиональной деятельности инженера, развития у него кибернетического мышления. В учебных заданиях, построенных по новым принципам, моделируется не структура изделия (узла, детали), а структура процесса его образования (изготовления детали, конструктивной увязки деталей в сборочную единицу, проектирования целостной формы, удовлет-воряющей заданным функциональным требованиям). Концеп-) [c.180]

Методы покоординатного поиска. Типичными представителями группы многоэтапных методов поисковой оптимизации являются метод Гаусса—Зейделя и созданный на его основе метод Пауэлла [30]. В соответствии с методом Гаусса-Зейделя поиск на каждом этапе ведется по одному параметру при зафиксированных значениях всех остальных. Пример поиска по методу Гаусса-Зейделя в пространстве двух параметров показан на рис. 5.25. В примере сначала фиксируется значение параметра х, =х, ив этом сечении определяется значение параметрах , дающее лучшее значение Q. Затем фиксируется параметр Хг на уровне Х2 и находится значение первого параметра х", соответствующее лучшему значению Q в сечении Х2 =Х2 = onst. В дальнейшем действия по. поиску экстремума Q повторяются в той же последовательности. [c.161]

Приведенные выше соображения позволяют дать лишь некоторые качественные оценки эффективности двух групп методов поисковой оптимизации. Однако, очевидно, что эти оценки весьма приблизительны и не дают возможности выбирать конкретные методы при решени практических задач для того или иного класса объектов. В то же время особенности математического описания объектов проектирования могут значительно повлиять на оценку эффективности. Поэтому наиболее корректную сравнительную оценку эффективности различных методов поисковой оптимизации можно получить в результате проведения специально организованньк вычислительных экспериментов, когда разные методы в сравнимых условиях применяются для оптимизации одного и того же объекта. [c.170]

Результаты одного из таких вычислительных экспериментов, выйол-ненных с помощью пакета программ, реализующего алгоритмы поисковой оптимизации и разработанного при участии авторов пособия, приведены в табл. 5.7. В качестве объекта был выбран асинхронный гиродвигатель. При его оптимизации принимались во внимание технологические ограничения по выполнимости пазов, зубцов и спинок статора и ротора, а также ограничения на рабочие показатели КПД в номинальном режиме > 0,5, кратность пускового момента к > > 1,2, пусковой ток / < 2 А, время разгона tp <150 с. Точность решения для всех методов принималась одинаковой при данном числе 170 [c.170]

Другой важнейшей задачей, достаточно часто встречающейся на этапе вторичной обработки информации, является задача оптимизации [5, 34], т е. нахождение такой комбинации влияющих факторов, при которой выбранный показатель оптимальности принимает экстремальное значение. При экспериментальном решении задачи оптимизации, когда экстремум находится при наличии случайных шумов, наибольшее распространение имеют поисковые процедуры как градиентные (методы градиента, наискорейшего спуска, сопряженных градиентов), так и неградиентные (прямой поиск, симплексный метод, метод Гаусса—Зейделя, случайный поиск, комплекс-метод). [c.458]

Несмотря на ряд очевидных преимуществ, методы случайного поиска не исключают необходимости использования в процессе численной реализации оптимизационных задач регулярных поисковых процедур. Так, если с11тл <5 и свойства функций моделей оптимизации достаточно просты, регулярный поиск по сравнению со случайным оказывается более быстродействующим. Особенно в таких задачах, где градиенты функций могут быть вычислены по аналитическим выражениям. Таким образом, наиболее эффективным и универсальным средством численной реализации задач оптимизации несущих конструкций следует считать алгоритмы, которые рационально, т. е. с учетом особенностей и свойств решаемого класса задач, сочетают достоинства как случайных, так и регулярных методов поиска. Данный вывод является итогом обобщения практического опыта решения задач оптимизации несущих конструкций из композитов (см. заключительные главы книги). При решении указанных задач использованы алгоритмы, содержащие как регулярные поисковые процедуры (метод проекции градиента Розена, метод скользящего допуска и др.), так и методы случайного поиска (поиск по наилучшей пробе и метод статистических испытаний (Монте-Карло)). Отдельные задачи решены методами теории планирования многофакторных экспериментов. Все использованные методы достаточно хорошо известны и подробно обсуждены в тех публикациях, на которые сделаны соответствующие ссылки. [c.217]

Многообразие поисковых задач, особенности объектов контроля, специфические условия применения аппаратурных средств, высокие требования по функциональным возможностям, чувствительности, надежности, весогабаритным и эксплуатационным характеристикам практически исключают возможность использования д ля их решения технических средств интроскопии общепромышленного назначения. Напротив, в большинстве случаев для решения конкретных поисковых задач требуется целенаправленный анализ вариантов их решения, поиск и оптимизация физического метода или их комбинаций, разработка алгоритма работы и структурнофункциональной схемы, исследование физических и технико-технологических возможностей построения аппаратуры. [c.627]

Теоретической основой для такого подхода явилось проведение аналогии между характеристиками и параметрами АС в низкочастотной области и характеристиками соответствующих фильтров верхних частот (т. е. фильтров, АЧХ которых претерпевает спад в сторону низких частот — см. гл. 3). Это позволило построить математическую модель АС для низких частот, т. е. идентифицировать ее передаточной дробио-рациоиальной функцией соответствующего фильтра верхних частот [4.6]. Появление единого системного подхода к анализу и синтезу низкочастотного оформления АС послужило основой для создания методов его оптимального проектиро вания с использованием ЭВМ [4.7, 4.8]. Суть этих методов состоит в том, что иа ЭВМ рассчитывают реальные характеристики акустической системы в области низких частот, являющиеся функцией электромеханических параметров низкочастотного громкоговорителя и конструктивных параметров корпуса, и путем целенаправленного изменения значений параметров системы, с учетом наложенных на них ограничений, минимизируется разница между реальными и желаемыми характеристиками системы. Благодаря применению методов нелинейного программирования и поисковой оптимизации определяются нанлучшне, т. е. потенциально достижимые в смысле выбранных критериев оптимальности, электромеханические и конструктивные параметры системы, что практически невозможно при традиционных методах проектирования. [c.104]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...