Bezgradientowe metody optymalizacji funkcji wielu zmiennych. informacje dodatkowe

Podobne dokumenty
Numeryczne metody optymalizacji Optymalizacja w kierunku. informacje dodatkowe

Przegląd metod optymalizacji wielowymiarowej. Funkcja testowa. Funkcja testowa. Notes. Notes. Notes. Notes. Tomasz M. Gwizdałła

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania

M eto dy o p ty m a liza cji

PROGRAMOWANIE KWADRATOWE

Metody Rozmyte i Algorytmy Ewolucyjne

ZADANIA OPTYMALIZCJI BEZ OGRANICZEŃ

Optymalizacja ciągła

WYKŁAD 9 METODY ZMIENNEJ METRYKI

Optymalizacja (minimalizacja) funkcji. Plan wykładu: 1. Sformułowanie problemu, funkcja celu. 2. Metody bezgradientowe

Optymalizacja ciągła

UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH

SZTUCZNA INTELIGENCJA

Metody systemowe i decyzyjne w informatyce

Metody systemowe i decyzyjne w informatyce

Wstęp do metod numerycznych 11. Minimalizacja: funkcje wielu zmiennych. P. F. Góra

Układy równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona) f(x) = 0, gdzie. dla n=2 np.

Wstęp do metod numerycznych 12. Minimalizacja: funkcje wielu zmiennych. P. F. Góra

Metody optymalizacji - teoria i wybrane algorytmy

Przegląd metod optymalizacji numerycznej. Krzysztof Malczewski

III. Układy liniowe równań różniczkowych. 1. Pojęcie stabilności rozwiązań.

Kolejny krok iteracji polega na tym, że przechodzimy do następnego wierzchołka, znajdującego się na jednej krawędzi z odnalezionym już punktem, w

Metody systemowe i decyzyjne w informatyce

Wprowadzenie do badań operacyjnych - wykład 2 i 3

Metody Numeryczne Optymalizacja. Wojciech Szewczuk

Stosowana Analiza Regresji

Stochastyczne zagadnienie rozdziału z dyskretnym rozkładem popytu

KADD Minimalizacja funkcji

5. Metody stochastyczne (symulowane wyżarzanie, algorytmy genetyczne) -> metody Monte Carlo

Matematyka stosowana i metody numeryczne

Wykład 4 Udowodnimy teraz, że jeśli U, W są podprzetrzeniami skończenie wymiarowej przestrzeni V to zachodzi wzór: dim(u + W ) = dim U + dim W dim(u

Niesimpleksowe metody rozwia zywania zadań PL. Seminarium Szkoleniowe Edyta Mrówka

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów

jeśli nie jest spełnione kryterium zatrzymania, to nowym punktem roboczym x(t+1) staje i następuje przejście do 1)

INTERPOLACJA I APROKSYMACJA FUNKCJI

Optymalizacja systemów

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.

Spis wszystkich symboli

PROGRAMOWANIE NIELINIOWE

Porównanie modeli regresji. klasycznymi modelami regresji liniowej i logistycznej

Problem komiwojażera ACO. Zagadnienie optymalizacyjne, polegające na znalezieniu minimalnego cyklu Hamiltona w pełnym grafie ważonym.

Metody systemowe i decyzyjne w informatyce

Nierówności symetryczne

1 Grupa SU(3) i klasyfikacja cząstek

Rozpoznawanie obrazów

Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11,

Metoda gradientu prostego

Matematyka ubezpieczeń majątkowych r.

WAE Jarosław Arabas Adaptacja i samoczynna adaptacja parametrów AE Algorytm CMA-ES

N ma rozkład Poissona z wartością oczekiwaną równą 100 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach:

METODA SYMPLEKS. Maciej Patan. Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski

Algebra liniowa II. Lista 1. 1 u w 0 1 v 0 0 1

Algorytmy metaheurystyczne Wykład 6. Piotr Syga

Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS

Statystyka aktuarialna i teoria ryzyka, rozkłady szkód

Modelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski

Metody numeryczne II

Metody Obliczeniowe w Nauce i Technice

Układy równań i równania wyższych rzędów

Wstęp do metod numerycznych Algebraiczna metoda gradientów sprzężonych. P. F. Góra

WYKŁAD 5 METODY OPTYMALIZACJI NIELINIOWEJ BEZ OGRANICZEŃ

1 Relacje i odwzorowania

Metody systemowe i decyzyjne w informatyce

Rozwiązanie Powyższe zadanie możemy przedstawić jako następujące zagadnienie programowania liniowego:

Metody numeryczne II

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania

Matematyka ubezpieczeń majątkowych r.

Metody Rozmyte i Algorytmy Ewolucyjne

METODY NUMERYCZNE. wykład. konsultacje: wtorek 10:00-11:30 środa 10:00-11:30. dr inż. Grażyna Kałuża pokój

Praca domowa - seria 6

Janusz Adamowski METODY OBLICZENIOWE FIZYKI Kwantowa wariacyjna metoda Monte Carlo. Problem własny dla stanu podstawowego układu N cząstek

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.

Wykład 6. Programowanie liniowe

Równania różniczkowe liniowe wyższych rzędów o stałych współcz

α - stałe 1 α, s F ± Ψ taka sama Drgania nieliniowe (anharmoniczne) Harmoniczne: Inna zależność siły od Ψ : - układ nieliniowy,

Ekonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej

Matematyka ubezpieczeń majątkowych r.

Zadania z Rachunku Prawdopodobieństwa II Podać przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ,

ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ

Automatyka i Robotyka II Stopień ogólno akademicki studia niestacjonarne wszystkie Katedra Automatyki i Robotyki Prof. dr hab. inż.

ϕ(t k ; p) dla pewnego cigu t k }.

Metoda określania pozycji wodnicy statków na podstawie pomiarów odległości statku od głowic laserowych

Laboratorium 5 Przybliżone metody rozwiązywania równań nieliniowych

Zadania z Algebry liniowej 3 semestr zimowy 2008/2009

Algorytm simplex i dualność

Matematyka ubezpieczeń majątkowych r.

Równanie Schrödingera

System BCD z κ. Adam Slaski na podstawie wykładów, notatek i uwag Pawła Urzyczyna. Semestr letni 2009/10

Uczenie sieci typu MLP

Spis treści Wstęp Estymacja Testowanie. Efekty losowe. Bogumiła Koprowska, Elżbieta Kukla

JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania

Granica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywistej

PEWNE ZASTOSOWANIA TEORII DYSTRYBUCJI I RACHUNKU OPERATOROWEGO W TEORII RÓWNAŃ RÓŻNICZKOWYCH


METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING

Ekonometria. Przepływy międzygałęziowe. Model Leontiefa. Jakub Mućk. Katedra Ekonomii Ilościowej. Przepływy międzygałęziowe Model Leontiefa

1 Metody rozwiązywania równań nieliniowych. Postawienie problemu

2 1 3 c c1. e 1, e 2,..., e n A= e 1 e 2...e n [ ] M. Przybycień Matematyczne Metody Fizyki I

Egzamin z ekonometrii - wersja ogólna

Transkrypt:

Bezgradientowe metody optymalizacji funkcji wielu zmiennych informacje dodatkowe

Wybór kierunku poszukiwań Kierunki bazowe i ich modyfikacje metody bezgradientowe. Kierunki oparte na gradiencie funkcji metody gradientowe.

Metoda Hooka-Jeveesa z krokiem dyskretnym τ- krok α > 1 współczynnik kroku roboczego β (0,1) współczynnika korekcji kroku τ τβ

Metoda Hooka-Jeveesa z krokiem dyskretnym DANE: d 1, d 2,, d S, x 0, τ, ε, α, β Krok 0: z 1 x 0, s = 1, n = 0 Krok 1: z s+1 z s + τd s Jeśli F z s+1 < F z s idź do kroku 2 w przeciwnym razie z s+1 z s τd s Jeśli F z s+1 < F(z s ) idź do kroku 2 w przeciwnym razie z s+1 z s Krok 2: Jeśli s < S, s s + 1 idź do kroku 1 w przeciwnym razie Jeśli F z S+1 < F(z 1 ) idź do kroku 3 τ τβ, x n+1 x n, z s x n, n n + 1, s = 1 idź do kroku 1 Krok 3: Jeśli τ < ε, STOP w przeciwnym razie x n+1 z S+1 + α z S+1 z 1, n n + 1, s 1 idź do kroku 1

Metoda Rozenbrocka z krokiem dyskretnym τ- krok α > 1 współczynnik korekcji kroku β ( 1, 0) - współczynnika korekcji kroku τ s τ s α τ s τ s β

Metoda Rozenbrocka z krokiem dyskretnym DANE: d 1, d 2,, d S, x 0, τ, ε, α > 1, β 1, 0 Krok 0: τ 1 = τ 2 = = τ S = τ, δ 1 = δ 2 = = δ S = 0, z 1 = x 0, n = 0, s = 1 Krok 1: z s+1 = z s + τ s d s, δ s = δ s + τ s IF F z s+1 < F z s τ s ατ s s s + 1, IDŹ DO KROKU 2 ELSE F z s+1 F z s τ s βτ s s s + 1 IDŹ DO KROKU 2 Krok 2: IF s < S s s + 1 IDŹ DO KROKU 1 IF F z S+1 < F z 1 z 1 z S+1 s 1 IDŹ DO KROKU 1 IF F z S+1 = F x n IF n = 0 zmień punkt startowy ELSE x n+1 = z S+1 Krok 3: IF STOP? (np.: xn 1 xn ) STOP Krok 4: Obrót bazy ELSE n:= n+1, s=1 τ 1 = τ 2 = = τ S = τ, δ 1 = δ 2 = = δ S = 0, IDŹ DO KROKU 1

Obrót bazy Krok 4: d s s = 0 a s = b s = S σ j=s j d j s 0 a s s = 1 a s σ s 1 j=1 a T j d j d j

Metoda Hooka-Jeveesa z krokiem optymalnym

Metoda Hooka-Jeevesa - z krokiem optymalnym DANE: d 1, d 2,, d S, x 0, ε Krok 0: z 1 x 0, n = 0, s = 1 Krok 1: z s+1 z s + τ s d s τ s - min w kierunku d s Krok 2: Jeśli s < S, s = s + 1 idź do kroku 1 Jeśli z S+1 z 1 < ε - STOP Krok 3: x n+1 z s + τd τ min w kierunku d S+1 τ s d d = z S+1 z 1 = σ s=1 z S+1 z 1 σ S+1 s=1 τ s d n n + 1, s = 1, z 1 = x n

Metoda Rozenbrocka z krokiem optymalnym

Metoda Rozenbrocka z krokiem optymalnym DANE: d 1, d 2,, d S, x 0, ε Krok 0: z 1 x 0, n = 0, s = 1 Krok 1: z s+1 z s + τ s d s τ s - min w kierunku d s Krok 2: Jeśli s < S, s s + 1 idź do kroku 1 Jeśli z S+1 z 1 < ε - STOP Krok 3: d s τ s = 0 a s = b s = S σ j=s τ j d j τ s 0 a s s = 1 a s σ s 1 j=1 a T j d j d j d s = b s s = 1,2,, S b s Krok 4: d s d s s = 1,2,, S, n n + 1, s = 1 idź do kroku 1

Metoda Powella wektory sprzężone d 1, d 2,, d S d i T Ad j = - sprzężone według macierzy A, symetrycznej i dodatnio określonej 0 i j 1 i = j

Metoda Powella wektory sprzężone F x = x T Ax + b T x + c Dla tak dobranej funkcji, jeżeli zestaw wektorów d 1, d 2,, d S jest sprzężony według macierzy A, to minimalizując wzdłuż kierunków sprzężonych otrzymamy rozwiązanie w nie więcej niż S krokach.

Metoda Powella F x = x T Ax + b T + c x 1 = x 0 + x d τ - min w kierunku d z x 0 x 1 = x 0 + τ d τ - min w kierunku d z x 0 d T Ad = 0 d, d - sprzężone według A d = x 1 x 1 x 1 x 1

Metoda Powella

Metoda Powella DANE: d 1, d 2,, d S, x 0, ε Krok 0: z 1 x 0 + τ S d S, n 0, s 1 τ S - min w kierunku d S Krok 1: z s+1 = z s + τ s d s τ s - min w kierunku d s Krok 2: Jeśli s < S, s s + 1 idź do kroku 1 Jeśli z S+1 z 1 < ε - STOP Krok 3: x n+1 z s+1 d Z S+1 Z 1 Z S+1 Z 1 z 1 x n+1 + τd τ min w kierunku d d s d s+1 s = 1, 2,, S 1 d S d τ max max z s+1 z s 1 s S d max = d Δ = max 1 s S τ s τ mδ Z S+1 Z 1 > 0.8

Metoda Neldera-Meada (simplex) x 1 x 2 x S+1 - simplex w przestrzeni s-wymiarowej x H F x H = max s) 1 s S+1 x L F x L = min s) 1 s S+1 x ҧ = 1 s S+1 s=1,s H x s Generowanie simplexu początkowego x 0, c a = c ( S + 1 + 2 1) S 2 b = c ( S + 1 1) S 2 d j = x i = x 0 + d j, x S+1 = x 0

Metoda Neldera-Meada (simplex)

ҧ ҧ ҧ ҧ Metoda Neldera-Meada Odbicie x = x + α( xҧ x H ) α współczynnik odbicia Jeśli α > 0 F x < F(x L ) Ekspansja x = x + γ x xҧ γ > 1 γ współczynnik kontrakcji Jeśli F x > F x H x = x + β(x H x) ҧ Jeśli F x > max F(x 1 s S+1 s ) x = s H x + β x xҧ β (0, 1)

ҧ ҧ ҧ Metoda Neldera-Meada DANE: x 0, c, ε Krok 0: x 1 x 2 x S+1 - simplex początkowy, n = 0 Krok 1: x H F x H = max F x s, x L F x L = min F(x s) 1 s S+1 1 s S+1 x = 1 σ S s=1 S+1 x s s H Krok 2: x = x + α xҧ x H Jeśli F x < F x L x = x ҧ + γ(x x) ҧ idź do kroku 3 w przeciwnym razie idź do kroku 4 Krok 3: Jeśli F x < F x x H = x, n = n + 1 idź do kroku 1 w przeciwnym razie x H = x, n = n + 1 idź do kroku 1 Krok 4: Jeśli F x < max 1 s S+1 s H F x s x H = x, n = n + 1 Krok 5: x F x = min F x, F x H x = x + β x xҧ Jeśli F x > F x x j = x j + 1 x 2 L x j, j = 1,2,, S + 1 idź do kroku 1 x H = x, n = n + 1 idź do kroku 1