База знаний студента. Реферат, курсовая, контрольная, диплом на заказ

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ УКРАИНЫ

НАЦИОНАЛЬНЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ

«ХАРЬКОВСКИЙ ПОЛИТЕХНИЧЕСКИЙ ИНСТИТУТ»

Факультет информатики и управления

Кафедра экономической кибернетики и маркетингового менеджмента

КУРСОВАЯ РАБОТА

По математическому программированию

Исследование методов оптимизации

Харьков 2009

РЕФЕРАТ

Данная курсовая работа содержит : 41 страницу, 16 таблиц, 6 графиков.

В курсовой работе рассмотрены теоретические основы двух методов оптимизации математического программирования :

- метод Нелдера-Мида ;

- градиентный метод с дроблением шага.

Произведена минимизация исследуемой функции указанными методами. Выявлена зависимость числа итераций от заданной точности. Сопоставлена трудоемкость и эффективность оптимизации заданной функции различными методами (градиентным и методом Нелдера-Мида).

Ключевые термины:

Градиент – вектор первых частных производных функции.

Линии уровня – множества точек, в которых функция  принимает постоянные значения, т.е.

Методы нулевого порядка – методы, которые не предполагают вычисления производной для поиска оптимума.

Методы первого порядка – методы, в которых кроме вычисления функции в любой точке предлагается вычисление первых производных.

СОДЕРЖАНИЕ

1. Введение

2. Математическое описание методов оптимизации

2.1 Метод Нелдера-Мида

2.2 Градиентный метод с дроблением шага

3. Решение задачи минимизации для каждого из методов

3.1 Метод Нелдера-Мида

3.2 Градиентный метод с дроблением шага

4. Графическая интерпретация решения задачи

5. Аналитическое исследование методов

6. Заключение

7. Приложение

8. Список литературы

СПИСОК УСЛОВНЫХ ОБОЗНАЧЕНИЙ

 - точка

 - длинна шага

- вектор градиент

E - точность

N – количество итераций

Д – матрица координат симплекса

t – длинна ребра симплекса

1. ВВЕДЕНИЕ

Объектом исследования предмета математическое программирование являются задачи оптимизации.

Оптимизация подразумевает нахождение наилучшего варианта среди всех существующих. В любой практической оптимизационной задаче существует много совпадающих этапов. Наиболее важным этапом является моделирование рассматриваемой физической ситуации с целью получения математической функции, которую необходимо минимизировать, а также определения ограничений, если таковые существуют. Затем следует выбрать подходящую процедуру для осуществления минимизации. Эта процедура должна быть реализована на практике, что во многих реальных случаях вынуждает использовать ЭВМ для выполнения большого объема вычислений.

Универсальных методов, подходящих для поиска экстремума абсолютно любой функции не существует. Данная курсовая работа ставит себе целью исследовать метод оптимизации нулевого порядка – метод Нелдера-Мида, а также метод оптимизации первого порядка – градиентный метод с дроблением шага на примере конкретной функции. Таким образом, получив практические результаты, можно будет сравнить эффективность рассматриваемых методов, применяемых к исследуемой функции.

ПОСТАНОВКА ЗАДАЧИ ( Вариант задания 1)

Исследовать функцию типа :

Используемые методы минимизации  :

1.   Метод: Нелдера-Мида.

2.   Метод: Градиентный с дроблением шага.

Необходимо :

1.   Решить задачу минимизации , начав итерации из выбранной начальной точки x0=(1;1) заданными по варианту методами, необходимая точность решения . Привести таблицу результатов расчета типа: Итерация:  - точка: значение: критерий: .

2.   Рассчитать 3 линии уровня функции и изобразить их на графике.

3.   Отобразить на графиках линий уровня для каждого из заданных методов траекторию движения по итерациям (траекторию спуска).

4.   Выявить зависимость числа итераций N от заданной точности E, значения точности: , , , , , . Привести таблицу результатов как в п.1 для каждого значения E.

5. Сравнить эффективность рассмотренных в варианте методов по числу итераций N, построить графики N=F(E).

2. МАТЕМАТИЧЕСКОЕ ОПИСАНИЕ МЕТОДОВ ОПТИМИЗАЦИИ

 

2.1 Метод Нелдера-Мида

Вводится симплекс, координаты вершин которого заданы таблицей (одна из вершин в начале координат).

t – некоторое выбранное число.

Если n = 2, то при t = 1 имеем

Расположение симплекса показано на рисунке 2.1

Рисунок 2.1- Начальное расположение симплекса

Легко убедиться в том, что если координаты вершин симплекса задать в соответствии с матрицей Д₀ , то расстояние между двумя любыми вершинами симплекса всегда будет равно выбранной константе t независимо от размерности задачи n .

Действительно, расстояние между любой вершиной x_j , j= 2,3,.., n+1, и вершиной x₁ равно

С другой стороны, расстояние между любой парой вершин  ,  , , равно  Зададим начальную точку процедуры поиска минимума вектором  Перенесем исходный симплекс таким образом, чтобы вершина, находившаяся в начале координат, оказалась в точке . Получим матрицу

Вычислим значения оптимизируемой функции в точках  и переномеруем точки так, чтобы выполнялись неравенства :

.

Найдем координаты центра тяжести фигуры , получающейся в результате удаления вершины  :

Осуществим отражение вершины  относительно центра тяжести. Получим точку

.

Если a=1 , то получим зеркальное отражение. В одномерном случае процедура отражения, обеспечивающая получение точки  , симметричной точке  относительно  иллюстрируется рис. 2.2

Рисунок 2.2 - Построение точки

Сравним теперь между собой значения

Возможны следующие варианты

а). В этом случае выполняется растяжение симплекса и отыскивается точка

Параметр  обычно принимается равным 1,5.

Полученная точка  заменяет , если . В противном случае для замены  используется точка .

б) . При этом реализуется отражение. Точка  заменяет .

в) . В этом случае осуществляется сжатие и отыскивается точка

Параметр  обычно принимается равным 0,5. Точка  заменяет .

г) . При этом осуществляется редукция (уменьшение размера симплекса путем приближения всех его вершин к вершине ). Координаты вершин нового симплекса рассчитываются по формулам

Критерий останова вычислительной процедуры имеет вид :

Критерий останова J является составным. При этом его компоненты имеют различный вес в зависимости от того, каков характер поведения оптимизируемой функции в окрестности экстремума. Если в районе экстремума оптимизируемая функция изменяется по типу «глубокая впадина», то больший вклад в численное значение критерия J вносит первое слагаемое, а второе при этом быстро уменьшается. Напротив, если оптимизируемая функция изменяется по типу «пологое плато», то первое слагаемое быстро становится малым и поэтому второе слагаемое вносит больший вклад в величину критерия J.

Модификация метода

Описанный «классический» вариант построения алгоритма метода Нелдера-Мида обладает конструктивным недостатком, который состоит в следующем. Предположим, что оптимизируемая функция, для простоты, двух переменных имеет вид глубокого оврага с очень пологим дном. Тогда может случиться так, что симплекс, который в рассматриваемом случае представляет собой треугольник, в какой-то момент двумя вершинами ляжет на дно оврага, а третья окажется на его склоне. При этом на очередном шаге произойдет переброс этой вершины на другой склон, а затем редукция или сжатие симплекса. Если склон оврага крутой, то эта процедура повторится много раз, в результате чего симплекс сожмется и может сработать критерий останова, хотя до точки минимума еще может быть очень далеко. Естественное усовершенствование алгоритма состоит в следующем. После срабатывания критерия останова целесообразно построить над центром тяжести сжавшегося симплекса новый, размеры которого соответствуют исходному симплексу. Пусть координаты центра тяжести сжавшегося симплекса образуют вектор

 .

Найдем теперь координаты точки  такой, что центр тяжести симплекса с длиной ребра, равной t , использующего вершину  в качестве начальной, совпадал бы с . Матрица координат указанного симплекса имеет вид

                             (2.1)

Координаты центра тяжести этого симплекса образуют вектор

Теперь координаты точки найдем из равенства =, откуда

где

Подставляя вычисленные значения  в выражение (2.1) , получим требуемый симплекс, используя который продолжим процедуру поиска минимума. С другой стороны, для продолжения процедуры в качестве начальной точки может быть использован центр тяжести «сжавшегося» симплекса. Возникающее при этом смещение нового симплекса относительно сжавшегося (точки предполагаемого останова) во многих случаях может даже оказаться полезным. Эту процедуру считаем законченной, если после очередного сжатия алгоритм приведет в точку, расстояние от которой до точки предыдущего сжатия  не превосходит некоторого достаточно малого .

2.2 Градиентный метод с дроблением шага

 

Большей эффективностью обладают итерационные процедуры, в которых приближение к минимуму осуществляется сразу по всем переменным. При этом задача состоит в нахождении последовательности векторов  таких, что

                              (2.2)

Методы построения таких последовательностей называют методами спуска. Пусть  Поставим задачу отыскания последовательности ., сходящейся к .

Выберем произвольным образом точку , направление  и сконструируем луч

.                                            (2.3)

Рассмотрим вопрос о выборе направления , обеспечивающего (2.2). Для этого изучим поведение вдоль луча  . Имеем

Введем

                               (2.4)

Здесь

В соответствии с (2.3)

Тогда

Вычислим                                 (2.5)

Теперь, чтобы для любого  обеспечить отрицательность (2.5), достаточно положить , где  произвольная положительно определенная  матрица. Тогда

При этом                              (2.6)

Выбрав каким-либо образом  , получим Затем аналогично рассчитаем

Общее рекуррентное соотношение имеет вид :

                                (2.7)

Различные варианты градиентных процедур отличаются друг от друга способом выбора .

Полученное соотношение (2.7) обеспечивает построение последовательности точек , сходящейся к точке , минимизирующей . Понятно, что каждая из точек этой последовательности может рассматриваться как некоторое приближение к точке минимума , положение которого, вообще говоря, остается неизвестным в ходе всей процедуры спуска. Поэтому для всех таких процедур принципиальной остается проблема останова. В вычислительной практике часто используются следующие критерии останова:

                                  (2.8)

                                          (2.9)

где  и  -некоторые достаточно малые числа .

Понятно, что критерий (2.8) хорош в тех случаях, когда функция  в окрестности минимума, используя ранее введенную классификацию, имеет характер «глубокой» впадины. С другой стороны, если функция  ведет себя как «пологое плато», то более предпочтительным является критерий (2.9). Аналогом критерия (2.8) является другое часто применяемое правило останова :

,                                       (2.10)

использующее необходимое условие экстремума функции. Очевидным недостатком критериев (2.8)-(2.10) является то, что их качество существенно зависит от абсолютных значений величины  и компонентов векторов ,. Более универсальными являются относительные критерии :

                               (2.11)

                                        (2.12)

                 (2.13)

Заметим, что очень часто на практике используются составные критерии, представляющие собой линейную комбинацию критериев (2.11)-(2.13), например,

Иногда применяют другой вариант построения составного критерия :

При реализации градиентного метода с дроблением шага в качестве  выбирают единичную матрицу, то есть

а длину шага определяют путем проверки некоторого неравенства. При этом основное рекуррентное соотношение (2.7) приобретает вид :

Ясно, то если , выбирать достаточно малым, то это обеспечит убывание , но потребуется весьма большое число шагов. Если же неосторожно выбрать  большим , то можно проскочить минимум, а это опасно в связи с возможным осциллированием. Для выбора шага используется правило Голдстейна-Армийо :

а)                 (2.14)

б)                (2.15)

Выполнение условия а) обеспечивает выбор  не слишком большим. Выполнение условия б) не дает возможность выбрать  слишком малым.

Практическая процедура строится следующим образом. Выбирается начальная точка  и некоторое начальное значение , проверяется (2.14) и, если оно выполняется, то делается шаг в направлении  В новой точке  вычисляется градиент  и вновь проверяется условие (2.14). В случае его удовлетворения продвижение к минимуму продолжается с тем же шагом. Если же оно не удовлетворяется, то параметр , определяющий длину шага, делят пополам до тех пор, пока это неравенство не будет выполнено. Затем выполняется очередной шаг. Процедура продолжается до выполнения критерия останова.

3.   РЕШЕНИЕ ЗАДАЧИ МИНИМИЗАЦИИ ДЛЯ КАЖДОГО ИЗ МЕТОДОВ

 

3.1Метод Нелдера-Мида

Построим симплекс состоящий из 3-х вершин. Длину ребра t возьмем равной 1 .

Начальные координаты симплекса :

Проводим сортировку по значениям функции для поиска точки с наименьшей функцией. Далее записываем симплекс таким образом, чтобы первая точка была лучшей, а каждая последующая – хуже.

Для осуществления оптимизации вычислим новую точку как отражение самой «плохой» вершины относительно центра тяжести симплекса. Формула для вычисления новой точки:

Затем, после сравнения значения функции в новой точке со значениями функции в остальных трех, а также после осуществления одного из четырех действий (замены, сжатия, растяжения и редукции), строится новый симплекс.

Одно из четырех действий, указанных выше, выполняется в соответствии с значением функции в новой точке, по отношению к значению функции в старых точках.

Замена происходит в случае, если новая точка лучше чем лучшая.

Если выполняется условие , то при этом реализуется отражение. Точка  заменяет .

При выполнении условия  осуществляется сжатие и отыскивается точка  :

Параметр  принимается равным 0,5. Точка  заменяет . Таким образом полученная точка заменяет самую «плохую»

Если новая точка окажется самой «плохой», необходимо осуществить редукцию (уменьшение размера симплекса путем приближения всех его вершин к лучшей вершине)

После выполнения указанных действий проверяется параметр останова. В случае, если он признан большим, чем выбранное значение точности, действия повторяются снова. Параметр останова рассчитывается по формуле :

Результат работы метода представлен в таблице 3.1

Таблица 3.1 – Решение задачи минимизации при помощи метода Нелдера-Мида

Номер итерации	Х1	Х2	Функция	Параметр останова
1	0,4066667	0,4066667	45,631123492267	14,5885289
2	0,4433333	0,2683333	29,870063661634	2,8471538
3	0,3141667	0,2704167	16,456883364840	0,8308005
4	0,2495833	0,2714583	13,667862520021	0,3301516
5	0,2194792	0,2030729	12,662220410942	0,1540974
6	0,1796615	0,1864974	12,281326901893	0,0870517
7	0,1546549	0,1481608	12,136891733007	0,0558708
8	0,1284945	0,1302889	12,072845463097	0,0394655
9	0,1094511	0,1066526	12,044325208099	0,0355389
10	0,0380868	0,0472725	12,032057545239	0,0204381
11	0,0107240	0,0206094	12,021017539213	0,0124410
12	0,0217244	0,0287886	12,011093940034	0,0130068
13	-0,0220008	-0,0163585	12,008732867306	0,0089109
14	-0,0274319	-0,0235556	12,005248404276	0,0053110
15	-0,0178584	-0,0140681	12,003293104515	0,0042019
16	-0,0191470	-0,0189750	12,002069416305	0,0030794
17	-0,0146824	-0,0154579	12,001121615618	0,0025320
18	-0,0132441	-0,0133520	12,000655246493	0,0026725
19	-0,0028766	-0,0042119	12,000504634754	0,0015212
20	0,0004344	-0,0008739	12,000339347268	0,0009248
21	-0,0013297	-0,0023245	12,000183034613	0,0009948
22	0,0035282	0,0029010	12,000137117579	0,0007582
23	0,0038607	0,0034821	12,000078476732	0,0004900
24	0,0027293	0,0023210	12,000050320679	0,0004156
25	0,0022628	0,0023222	12,000031684386	0,0002830
26	0,0015804	0,0017419	12,000017894979	0,0002411
27	0,0015265	0,0015966	12,000009969113	0,0002705
28	0,0001079	0,0002907	12,000008036464	0,0001594
29	-0,0002737	-0,0001084	12,000005403290	0,0000921

В результате решения задачи минимизации с помощью метода Нелдера-Мида получено следующее значение функции :  . Данный оптимум достигается в точке . Этот метод позволяет найти минимум (при начальной точке Х (1 ; 1)) за 29 итераций при точности решения . При этом параметр останова равен 0,0000921.

3.2Градиентный метод с дроблением шага

 

Для реализации процедуры необходимо вычислить градиент:

В процедуре используется критерий останова, который вычисляется по формуле:

,

где E – заданная точность решения (в данной задаче E=).

Результат работы метода представлен в таблице 3.2

Вследствие того, что таблица содержит 1263 итерации, целесообразно предоставить первые и последние 25 итераций.

Таблица 3.2 – Решение задачи минимизации при помощи градиентного метода

Номер итерации	Х1	Х2	Функция	Параметр останова
1	0,992187500	0,976562500	14,872248322711100	5,725771436
2	0,972112596	0,966700991	14,755778561425900	5,391343315
3	0,960252606	0,949298075	14,647453457158200	5,170831157
4	0,944120479	0,937143394	14,545808827169400	4,999364954
5	0,931250704	0,922455245	14,450015755630300	4,851038521
6	0,917052669	0,909905567	14,359522419103900	4,715343849
7	0,904265341	0,896648294	14,273894939963900	4,588117156
8	0,891210499	0,884368998	14,192768112137200	4,467486611
9	0,878869537	0,872030350	14,115817843495700	4,352565782
10	0,866628626	0,860230552	14,042753034754000	4,242801681
11	0,854831609	0,848589700	13,973308662686200	4,137814211
12	0,843250897	0,837314037	13,907242987828300	4,037283606
13	0,832001542	0,826261206	13,844334505896600	3,940936337
14	0,820995553	0,815497743	13,784380045189000	3,848521743
15	0,810266979	0,804966957	13,727192808899800	3,759812059
16	0,799778396	0,794686358	13,672600853099300	3,674595835
17	0,789535800	0,784630345	13,620445636362400	3,592677880
18	0,779520366	0,774799711	13,570580790710000	3,513876598
19	0,769728817	0,765180416	13,522870992857600	3,438023378
20	0,760149472	0,755767918	13,477190974079800	3,364961115
21	0,750776352	0,746552749	13,433424623226000	3,294543452
22	0,741600798	0,737528983	13,391464187766000	3,226633778
23	0,732616368	0,728689198	13,351209552529500	3,161104506
24	0,723815911	0,720027406	13,312567592195300	3,097836320
25	0,715193248	0,711537292	13,275451586431100	3,036717546
1239	0,000042461	0,000042461	12,000000003605800	0,000120097
1240	0,000042129	0,000042129	12,000000003549700	0,000119159
1241	0,000041800	0,000041800	12,000000003494500	0,000118228
1242	0,000041473	0,000041473	12,000000003440100	0,000117304
1243	0,000041149	0,000041149	12,000000003386500	0,000116388
1244	0,000040828	0,000040828	12,000000003333800	0,000115479
1245	0,000040509	0,000040509	12,000000003281900	0,000114576
1246	0,000040192	0,000040192	12,000000003230900	0,000113681
1247	0,000039878	0,000039878	12,000000003180600	0,000112793
1248	0,000039567	0,000039567	12,000000003131100	0,000111912
1249	0,000039258	0,000039258	12,000000003082300	0,000111038
1250	0,000038951	0,000038951	12,000000003034400	0,000110170
1251	0,000038647	0,000038647	12,000000002987100	0,000109309
1252	0,000038345	0,000038345	12,000000002940600	0,000108455
1253	0,000038045	0,000038045	12,000000002894900	0,000107608
1254	0,000037748	0,000037748	12,000000002849800	0,000106767
1255	0,000037453	0,000037453	12,000000002805500	0,000105933
1256	0,000037161	0,000037161	12,000000002761800	0,000105106
1257	0,000036870	0,000036870	12,000000002718800	0,000104285
1258	0,000036582	0,000036582	12,000000002676500	0,000103470
1259	0,000036296	0,000036296	12,000000002634800	0,000102662
1260	0,000036013	0,000036013	12,000000002593800	0,000101860
1261	0,000035731	0,000035731	12,000000002553500	0,000101064
1262	0,000035452	0,000035452	12,000000002513700	0,000100274
1263	0,000035175	0,000035175	12,000000002474600	0,000099491

В результате реализации градиентного метода минимальное значение функции составляет . Данный оптимум достигнут в точке . Этот метод позволяет найти минимум (при начальной точке Х(1;1) за 1263 итерации при точности решения . При этом параметр останова равен 0,000099491.

4. ГРАФИЧЕСКАЯ ИНТЕРПРИТАЦИЯ РЕШЕНИЯ ЗАДАЧИ

График исследуемой функции  имеет вид :

Рисунок 4.1 – График исследуемой функции

Изобразим на рисунке (4.2) линии уровня функции

Рисунок 4.2 – Линии уровня исследуемой функции

Отобразим на графиках линий уровня для каждого из заданных методов траекторию спуска

Рисунок 4.3 – траектория спуска (метод Нелдера-Мида)

Рисунок 4.4 – траектория спуска (градиентный метод)

5.   АНАЛИТИЧЕСКОЕ ИССЛЕДОВАНИЕ МЕТОДОВ

Для выявления зависимости числа итераций от заданной точности методы реализованы для каждого значения точности. Результаты представлены в таблицах (5.1-5.6, 5.8-5.13)

Реализация метода Нелдера-Мида :

Таблица 5.1 – Реализация метода Нелдера-Мида при

Номер итерации	Х1	Х2	Функция	Параметр останова
1	0,4066667	0,4066667	45,631123492267	14,5885289
2	0,4433333	0,2683333	29,870063661634	2,8471538
3	0,3141667	0,2704167	16,456883364840	0,8308005
4	0,2495833	0,2714583	13,667862520021	0,3301516
5	0,2194792	0,2030729	12,662220410942	0,1540974
6	0,1796615	0,1864974	12,281326901893	0,0870517

Таблица 5.2 – Реализация метода Нелдера-Мида при

Номер итерации	Х1	Х2	Функция	Параметр останова
1	0,4066667	0,4066667	45,631123492267	14,5885289
2	0,4433333	0,2683333	29,870063661634	2,8471538
3	0,3141667	0,2704167	16,456883364840	0,8308005
4	0,2495833	0,2714583	13,667862520021	0,3301516
5	0,2194792	0,2030729	12,662220410942	0,1540974
6	0,1796615	0,1864974	12,281326901893	0,0870517
7	0,1546549	0,1481608	12,136891733007	0,0558708
8	0,1284945	0,1302889	12,072845463097	0,0394655
9	0,1094511	0,1066526	12,044325208099	0,0355389
10	0,0380868	0,0472725	12,032057545239	0,0204381
11	0,0107240	0,0206094	12,021017539213	0,0124410
12	0,0217244	0,0287886	12,011093940034	0,0130068
13	-0,0220008	-0,0163585	12,008732867306	0,0089109

Таблица 5.3 – Реализация метода Нелдера-Мида при

Номер итерации	Х1	Х2	Функция	Параметр останова
1	0,4066667	0,4066667	45,631123492267	14,5885289
2	0,4433333	0,2683333	29,870063661634	2,8471538
3	0,3141667	0,2704167	16,456883364840	0,8308005
4	0,2495833	0,2714583	13,667862520021	0,3301516
5	0,2194792	0,2030729	12,662220410942	0,1540974
6	0,1796615	0,1864974	12,281326901893	0,0870517
7	0,1546549	0,1481608	12,136891733007	0,0558708
8	0,1284945	0,1302889	12,072845463097	0,0394655
9	0,1094511	0,1066526	12,044325208099	0,0355389
10	0,0380868	0,0472725	12,032057545239	0,0204381
11	0,0107240	0,0206094	12,021017539213	0,0124410
12	0,0217244	0,0287886	12,011093940034	0,0130068
13	-0,0220008	-0,0163585	12,008732867306	0,0089109
14	-0,0274319	-0,0235556	12,005248404276	0,0053110
15	-0,0178584	-0,0140681	12,003293104515	0,0042019
16	-0,0191470	-0,0189750	12,002069416305	0,0030794
17	-0,0146824	-0,0154579	12,001121615618	0,0025320
18	-0,0132441	-0,0133520	12,000655246493	0,0026725
19	-0,0028766	-0,0042119	12,000504634754	0,0015212
20	0,0004344	-0,0008739	12,000339347268	0,0009248

Таблица 5.4 – Реализация метода Нелдера-Мида при

Номер итерации	Х1	Х2	Функция	Параметр останова
1	0,4066667	0,4066667	45,631123492267	14,5885289
2	0,4433333	0,2683333	29,870063661634	2,8471538
3	0,3141667	0,2704167	16,456883364840	0,8308005
4	0,2495833	0,2714583	13,667862520021	0,3301516
5	0,2194792	0,2030729	12,662220410942	0,1540974
6	0,1796615	0,1864974	12,281326901893	0,0870517
7	0,1546549	0,1481608	12,136891733007	0,0558708
8	0,1284945	0,1302889	12,072845463097	0,0394655
9	0,1094511	0,1066526	12,044325208099	0,0355389
10	0,0380868	0,0472725	12,032057545239	0,0204381
11	0,0107240	0,0206094	12,021017539213	0,0124410
12	0,0217244	0,0287886	12,011093940034	0,0130068
13	-0,0220008	-0,0163585	12,008732867306	0,0089109
14	-0,0274319	-0,0235556	12,005248404276	0,0053110
15	-0,0178584	-0,0140681	12,003293104515	0,0042019
16	-0,0191470	-0,0189750	12,002069416305	0,0030794
17	-0,0146824	-0,0154579	12,001121615618	0,0025320
18	-0,0132441	-0,0133520	12,000655246493	0,0026725
19	-0,0028766	-0,0042119	12,000504634754	0,0015212
20	0,0004344	-0,0008739	12,000339347268	0,0009248
21	-0,0013297	-0,0023245	12,000183034613	0,0009948
22	0,0035282	0,0029010	12,000137117579	0,0007582
23	0,0038607	0,0034821	12,000078476732	0,0004900
24	0,0027293	0,0023210	12,000050320679	0,0004156
25	0,0022628	0,0023222	12,000031684386	0,0002830
26	0,0015804	0,0017419	12,000017894979	0,0002411
27	0,0015265	0,0015966	12,000009969113	0,0002705
28	0,0001079	0,0002907	12,000008036464	0,0001594
29	-0,0002737	-0,0001084	12,000005403290	0,0000921

Таблица 5.5 – Реализация метода Нелдера-Мида при

Номер итерации	Х1	Х2	Функция	Параметр останова
1	0,4066667	0,4066667	45,631123492267	14,5885289
2	0,4433333	0,2683333	29,870063661634	2,8471538
3	0,3141667	0,2704167	16,456883364840	0,8308005
4	0,2495833	0,2714583	13,667862520021	0,3301516
5	0,2194792	0,2030729	12,662220410942	0,1540974
6	0,1796615	0,1864974	12,281326901893	0,0870517
7	0,1546549	0,1481608	12,136891733007	0,0558708
8	0,1284945	0,1302889	12,072845463097	0,0394655
9	0,1094511	0,1066526	12,044325208099	0,0355389
10	0,0380868	0,0472725	12,032057545239	0,0204381
11	0,0107240	0,0206094	12,021017539213	0,0124410
12	0,0217244	0,0287886	12,011093940034	0,0130068
13	-0,0220008	-0,0163585	12,008732867306	0,0089109
14	-0,0274319	-0,0235556	12,005248404276	0,0053110
15	-0,0178584	-0,0140681	12,003293104515	0,0042019
16	-0,0191470	-0,0189750	12,002069416305	0,0030794
17	-0,0146824	-0,0154579	12,001121615618	0,0025320
18	-0,0132441	-0,0133520	12,000655246493	0,0026725
19	-0,0028766	-0,0042119	12,000504634754	0,0015212
20	0,0004344	-0,0008739	12,000339347268	0,0009248
21	-0,0013297	-0,0023245	12,000183034613	0,0009948
22	0,0035282	0,0029010	12,000137117579	0,0007582
23	0,0038607	0,0034821	12,000078476732	0,0004900
24	0,0027293	0,0023210	12,000050320679	0,0004156
25	0,0022628	0,0023222	12,000031684386	0,0002830
26	0,0015804	0,0017419	12,000017894979	0,0002411
27	0,0015265	0,0015966	12,000009969113	0,0002705
28	0,0001079	0,0002907	12,000008036464	0,0001594
29	-0,0002737	-0,0001084	12,000005403290	0,0000921
30	-0,0000145	0,0001182	12,000003012890	0,0000930
31	-0,0005185	-0,0004534	12,000002135678	0,0000765
32	-0,0005149	-0,0004829	12,000001171711	0,0000537
33	-0,0003880	-0,0003474	12,000000755753	0,0000486
34	-0,0002538	-0,0002710	12,000000487650	0,0000301
35	-0,0001568	-0,0001842	12,000000290103	0,0000249
36	-0,0001661	-0,0001816	12,000000155619	0,0000289
37	0,0000186	-0,0000052	12,000000128281	0,0000180
38	0,0000601	0,0000402	12,000000084592	0,0000102
39	0,0000243	0,0000074	12,000000049029	0,0000094

Таблица 5.6 – Реализация метода Нелдера-Мида при

Номер итерации	Х1	Х2	Функция	Параметр останова
1	0,4066667	0,4066667	45,631123492267	14,5885289
2	0,4433333	0,2683333	29,870063661634	2,8471538
3	0,3141667	0,2704167	16,456883364840	0,8308005
4	0,2495833	0,2714583	13,667862520021	0,3301516
5	0,2194792	0,2030729	12,662220410942	0,1540974
6	0,1796615	0,1864974	12,281326901893	0,0870517
7	0,1546549	0,1481608	12,136891733007	0,0558708
8	0,1284945	0,1302889	12,072845463097	0,0394655
9	0,1094511	0,1066526	12,044325208099	0,0355389
10	0,0380868	0,0472725	12,032057545239	0,0204381
11	0,0107240	0,0206094	12,021017539213	0,0124410
12	0,0217244	0,0287886	12,011093940034	0,0130068
13	-0,0220008	-0,0163585	12,008732867306	0,0089109
14	-0,0274319	-0,0235556	12,005248404276	0,0053110
15	-0,0178584	-0,0140681	12,003293104515	0,0042019
16	-0,0191470	-0,0189750	12,002069416305	0,0030794
17	-0,0146824	-0,0154579	12,001121615618	0,0025320
18	-0,0132441	-0,0133520	12,000655246493	0,0026725
19	-0,0028766	-0,0042119	12,000504634754	0,0015212
20	0,0004344	-0,0008739	12,000339347268	0,0009248
21	-0,0013297	-0,0023245	12,000183034613	0,0009948
22	0,0035282	0,0029010	12,000137117579	0,0007582
23	0,0038607	0,0034821	12,000078476732	0,0004900
24	0,0027293	0,0023210	12,000050320679	0,0004156
25	0,0022628	0,0023222	12,000031684386	0,0002830
26	0,0015804	0,0017419	12,000017894979	0,0002411
27	0,0015265	0,0015966	12,000009969113	0,0002705
28	0,0001079	0,0002907	12,000008036464	0,0001594
29	-0,0002737	-0,0001084	12,000005403290	0,0000921
30	-0,0000145	0,0001182	12,000003012890	0,0000930
31	-0,0005185	-0,0004534	12,000002135678	0,0000765
32	-0,0005149	-0,0004829	12,000001171711	0,0000537
33	-0,0003880	-0,0003474	12,000000755753	0,0000486
34	-0,0002538	-0,0002710	12,000000487650	0,0000301
35	-0,0001568	-0,0001842	12,000000290103	0,0000249
36	-0,0001661	-0,0001816	12,000000155619	0,0000289
37	0,0000186	-0,0000052	12,000000128281	0,0000180
38	0,0000601	0,0000402	12,000000084592	0,0000102
39	0,0000243	0,0000074	12,000000049029	0,0000094
40	0,0000716	0,0000655	12,000000032997	0,0000081
41	0,0000655	0,0000636	12,000000017601	0,0000061
42	0,0000522	0,0000486	12,000000011215	0,0000059
43	0,0000267	0,0000299	12,000000007565	0,0000034
44	0,0000136	0,0000178	12,000000004741	0,0000026
45	0,0000167	0,0000194	12,000000002493	0,0000031
46	-0,0000062	-0,0000033	12,000000002045	0,0000021
47	-0,0000104	-0,0000081	12,000000001302	0,0000012
48	-0,0000057	-0,0000037	12,000000000784	0,0000010
49	-0,0000094	-0,0000089	12,000000000507	0,0000009

Данные по количеству итераций и заданным точностям для метода Нелдера-Мида сведены в таблицу 5.7

Таблица 5.7 - Зависимость числа итераций от точности

Точность	Количество итераций
0,1	6
0,01	13
0,001	20
0,0001	29
0,00001	39
0,000001	49

Рисунок 5.1 – Графическое представление зависимости количества итераций N от точности E для метода Нелдера-Мида.

Для градиентного метода, принимая во внимание большое количество итераций, целесообразно приводить для каждой реализации первые и последние 25 итераций.

Реализация градиентного метода:

Таблица 5.8 – Реализация градиентного метода при

Номер итерации	Х1	Х2	Функция	Параметр останова
1	0,992187500	0,976562500	14,872248322711100	5,725771436
2	0,972112596	0,966700991	14,755778561425900	5,391343315
3	0,960252606	0,949298075	14,647453457158200	5,170831157
4	0,944120479	0,937143394	14,545808827169400	4,999364954
5	0,931250704	0,922455245	14,450015755630300	4,851038521
6	0,917052669	0,909905567	14,359522419103900	4,715343849
7	0,904265341	0,896648294	14,273894939963900	4,588117156
8	0,891210499	0,884368998	14,192768112137200	4,467486611
9	0,878869537	0,872030350	14,115817843495700	4,352565782
10	0,866628626	0,860230552	14,042753034754000	4,242801681
11	0,854831609	0,848589700	13,973308662686200	4,137814211
12	0,843250897	0,837314037	13,907242987828300	4,037283606
13	0,832001542	0,826261206	13,844334505896600	3,940936337
14	0,820995553	0,815497743	13,784380045189000	3,848521743
15	0,810266979	0,804966957	13,727192808899800	3,759812059
16	0,799778396	0,794686358	13,672600853099300	3,674595835
17	0,789535800	0,784630345	13,620445636362400	3,592677880
18	0,779520366	0,774799711	13,570580790710000	3,513876598
19	0,769728817	0,765180416	13,522870992857600	3,438023378
20	0,760149472	0,755767918	13,477190974079800	3,364961115
21	0,750776352	0,746552749	13,433424623226000	3,294543452
22	0,741600798	0,737528983	13,391464187766000	3,226633778
23	0,732616368	0,728689198	13,351209552529500	3,161104506
24	0,723815911	0,720027406	13,312567592195300	3,097836320
25	0,715193248	0,711537292	13,275451586431100	3,036717546
358	0,042588763	0,042587983	12,003630828695700	0,120676586
359	0,042255429	0,042254667	12,003574166022100	0,119728711
360	0,041924713	0,041923969	12,003518389968100	0,118788359
361	0,041596595	0,041595868	12,003463486588100	0,117855470
362	0,041271053	0,041270343	12,003409442157800	0,116929982
363	0,040948069	0,040947375	12,003356243171100	0,116011835
364	0,040627620	0,040626943	12,003303876336500	0,115100970
365	0,040309688	0,040309026	12,003252328573200	0,114197326
366	0,039994251	0,039993605	12,003201587008200	0,113300844
367	0,039681292	0,039680660	12,003151638972600	0,112411467
368	0,039370788	0,039370172	12,003102471998700	0,111529137
369	0,039062723	0,039062121	12,003054073816300	0,110653795
370	0,038757075	0,038756487	12,003006432349600	0,109785386
371	0,038453826	0,038453252	12,002959535714300	0,108923853
372	0,038152957	0,038152396	12,002913372214400	0,108069140
373	0,037854448	0,037853901	12,002867930339100	0,107221192
374	0,037558283	0,037557747	12,002823198760000	0,106379954
375	0,037264440	0,037263918	12,002779166327700	0,105545371
376	0,036972904	0,036972393	12,002735822069600	0,104717390
377	0,036683654	0,036683156	12,002693155186500	0,103895956
378	0,036396674	0,036396187	12,002651155050100	0,103081018
379	0,036111944	0,036111468	12,002609811200200	0,102272522
380	0,035829448	0,035828983	12,002569113341800	0,101470417
381	0,035549167	0,035548714	12,002529051343000	0,100674650
382	0,035271085	0,035270642	12,002489615231500	0,099885171

Таблица 5.9 – Реализация градиентного метода при

Номер итерации	Х1	Х2	Функция	Параметр останова
1	0,992187500	0,976562500	14,872248322711100	5,725771436
2	0,972112596	0,966700991	14,755778561425900	5,391343315
3	0,960252606	0,949298075	14,647453457158200	5,170831157
4	0,944120479	0,937143394	14,545808827169400	4,999364954
5	0,931250704	0,922455245	14,450015755630300	4,851038521
6	0,917052669	0,909905567	14,359522419103900	4,715343849
7	0,904265341	0,896648294	14,273894939963900	4,588117156
8	0,891210499	0,884368998	14,192768112137200	4,467486611
9	0,878869537	0,872030350	14,115817843495700	4,352565782
10	0,866628626	0,860230552	14,042753034754000	4,242801681
11	0,854831609	0,848589700	13,973308662686200	4,137814211
12	0,843250897	0,837314037	13,907242987828300	4,037283606
13	0,832001542	0,826261206	13,844334505896600	3,940936337
14	0,820995553	0,815497743	13,784380045189000	3,848521743
15	0,810266979	0,804966957	13,727192808899800	3,759812059
16	0,799778396	0,794686358	13,672600853099300	3,674595835
17	0,789535800	0,784630345	13,620445636362400	3,592677880
18	0,779520366	0,774799711	13,570580790710000	3,513876598
19	0,769728817	0,765180416	13,522870992857600	3,438023378
20	0,760149472	0,755767918	13,477190974079800	3,364961115
21	0,750776352	0,746552749	13,433424623226000	3,294543452
22	0,741600798	0,737528983	13,391464187766000	3,226633778
23	0,732616368	0,728689198	13,351209552529500	3,161104506
24	0,723815911	0,720027406	13,312567592195300	3,097836320
25	0,715193248	0,711537292	13,275451586431100	3,036717546
652	0,004240917	0,004240916	12,000035971071500	0,011995339
653	0,004207784	0,004207784	12,000035411204000	0,011901621
654	0,004174910	0,004174910	12,000034860050800	0,011808634
655	0,004142293	0,004142293	12,000034317476100	0,011716375
656	0,004109931	0,004109930	12,000033783346400	0,011624836
657	0,004077822	0,004077821	12,000033257530400	0,011534012
658	0,004045963	0,004045963	12,000032739898600	0,011443898
659	0,004014354	0,004014353	12,000032230323500	0,011354489
660	0,003982991	0,003982990	12,000031728679900	0,011265777
661	0,003951873	0,003951873	12,000031234844100	0,011177759
662	0,003920999	0,003920998	12,000030748694800	0,011090429
663	0,003890366	0,003890365	12,000030270112300	0,011003781
664	0,003859972	0,003859971	12,000029798978700	0,010917810
665	0,003829815	0,003829815	12,000029335178200	0,010832511
666	0,003799894	0,003799894	12,000028878596500	0,010747878
667	0,003770207	0,003770207	12,000028429121400	0,010663907
668	0,003740752	0,003740751	12,000027986642200	0,010580592
669	0,003711527	0,003711526	12,000027551050000	0,010497927
670	0,003682530	0,003682530	12,000027122237600	0,010415909
671	0,003653760	0,003653760	12,000026700099600	0,010334531
672	0,003625215	0,003625214	12,000026284531900	0,010253790
673	0,003596892	0,003596892	12,000025875432400	0,010173679
674	0,003568791	0,003568791	12,000025472700300	0,010094194
675	0,003540910	0,003540909	12,000025076236600	0,010015330
676	0,003513246	0,003513246	12,000024685943600	0,009937082

Таблица 5.10 – Реализация градиентного метода при

Номер итерации	Х1	Х2	Функция	Параметр останова
1	0,992187500	0,976562500	14,872248322711100	5,725771436
2	0,972112596	0,966700991	14,755778561425900	5,391343315
3	0,960252606	0,949298075	14,647453457158200	5,170831157
4	0,944120479	0,937143394	14,545808827169400	4,999364954
5	0,931250704	0,922455245	14,450015755630300	4,851038521
6	0,917052669	0,909905567	14,359522419103900	4,715343849
7	0,904265341	0,896648294	14,273894939963900	4,588117156
8	0,891210499	0,884368998	14,192768112137200	4,467486611
9	0,878869537	0,872030350	14,115817843495700	4,352565782
10	0,866628626	0,860230552	14,042753034754000	4,242801681
11	0,854831609	0,848589700	13,973308662686200	4,137814211
12	0,843250897	0,837314037	13,907242987828300	4,037283606
13	0,832001542	0,826261206	13,844334505896600	3,940936337
14	0,820995553	0,815497743	13,784380045189000	3,848521743
15	0,810266979	0,804966957	13,727192808899800	3,759812059
16	0,799778396	0,794686358	13,672600853099300	3,674595835
17	0,789535800	0,784630345	13,620445636362400	3,592677880
18	0,779520366	0,774799711	13,570580790710000	3,513876598
19	0,769728817	0,765180416	13,522870992857600	3,438023378
20	0,760149472	0,755767918	13,477190974079800	3,364961115
21	0,750776352	0,746552749	13,433424623226000	3,294543452
22	0,741600798	0,737528983	13,391464187766000	3,226633778
23	0,732616368	0,728689198	13,351209552529500	3,161104506
24	0,723815911	0,720027406	13,312567592195300	3,097836320
25	0,715193248	0,711537292	13,275451586431100	3,036717546
945	0,000426015	0,000426015	12,000000362977700	0,001204953
946	0,000422687	0,000422687	12,000000357328300	0,001195539
947	0,000419385	0,000419385	12,000000351766900	0,001186199
948	0,000416108	0,000416108	12,000000346292000	0,001176932
949	0,000412857	0,000412857	12,000000340902300	0,001167737
950	0,000409632	0,000409632	12,000000335596500	0,001158614
951	0,000406432	0,000406432	12,000000330373300	0,001149562
952	0,000403256	0,000403256	12,000000325231400	0,001140581
953	0,000400106	0,000400106	12,000000320169500	0,001131671
954	0,000396980	0,000396980	12,000000315186400	0,001122829
955	0,000393879	0,000393879	12,000000310280800	0,001114057
956	0,000390801	0,000390801	12,000000305451600	0,001105354
957	0,000387748	0,000387748	12,000000300697600	0,001096718
958	0,000384719	0,000384719	12,000000296017600	0,001088150
959	0,000381713	0,000381713	12,000000291410300	0,001079649
960	0,000378731	0,000378731	12,000000286874800	0,001071214
961	0,000375772	0,000375772	12,000000282409900	0,001062845
962	0,000372837	0,000372837	12,000000278014500	0,001054542
963	0,000369924	0,000369924	12,000000273687500	0,001046303
964	0,000367034	0,000367034	12,000000269427800	0,001038129
965	0,000364166	0,000364166	12,000000265234500	0,001030018
966	0,000361321	0,000361321	12,000000261106400	0,001021971
967	0,000358499	0,000358499	12,000000257042500	0,001013987
968	0,000355698	0,000355698	12,000000253041900	0,001006066
969	0,000352919	0,000352919	12,000000249103600	0,000998206

Таблица 5.11 – Реализация градиентного метода при

Номер итерации	Х1	Х2	Функция	Параметр останова
1	0,992187500	0,976562500	14,872248322711100	5,725771436
2	0,972112596	0,966700991	14,755778561425900	5,391343315
3	0,960252606	0,949298075	14,647453457158200	5,170831157
4	0,944120479	0,937143394	14,545808827169400	4,999364954
5	0,931250704	0,922455245	14,450015755630300	4,851038521
6	0,917052669	0,909905567	14,359522419103900	4,715343849
7	0,904265341	0,896648294	14,273894939963900	4,588117156
8	0,891210499	0,884368998	14,192768112137200	4,467486611
9	0,878869537	0,872030350	14,115817843495700	4,352565782
10	0,866628626	0,860230552	14,042753034754000	4,242801681
11	0,854831609	0,848589700	13,973308662686200	4,137814211
12	0,843250897	0,837314037	13,907242987828300	4,037283606
13	0,832001542	0,826261206	13,844334505896600	3,940936337
14	0,820995553	0,815497743	13,784380045189000	3,848521743
15	0,810266979	0,804966957	13,727192808899800	3,759812059
16	0,799778396	0,794686358	13,672600853099300	3,674595835
17	0,789535800	0,784630345	13,620445636362400	3,592677880
18	0,779520366	0,774799711	13,570580790710000	3,513876598
19	0,769728817	0,765180416	13,522870992857600	3,438023378
20	0,760149472	0,755767918	13,477190974079800	3,364961115
21	0,750776352	0,746552749	13,433424623226000	3,294543452
22	0,741600798	0,737528983	13,391464187766000	3,226633778
23	0,732616368	0,728689198	13,351209552529500	3,161104506
24	0,723815911	0,720027406	13,312567592195300	3,097836320
25	0,715193248	0,711537292	13,275451586431100	3,036717546
1239	0,000042461	0,000042461	12,000000003605800	0,000120097
1240	0,000042129	0,000042129	12,000000003549700	0,000119159
1241	0,000041800	0,000041800	12,000000003494500	0,000118228
1242	0,000041473	0,000041473	12,000000003440100	0,000117304
1243	0,000041149	0,000041149	12,000000003386500	0,000116388
1244	0,000040828	0,000040828	12,000000003333800	0,000115479
1245	0,000040509	0,000040509	12,000000003281900	0,000114576
1246	0,000040192	0,000040192	12,000000003230900	0,000113681
1247	0,000039878	0,000039878	12,000000003180600	0,000112793
1248	0,000039567	0,000039567	12,000000003131100	0,000111912
1249	0,000039258	0,000039258	12,000000003082300	0,000111038
1250	0,000038951	0,000038951	12,000000003034400	0,000110170
1251	0,000038647	0,000038647	12,000000002987100	0,000109309
1252	0,000038345	0,000038345	12,000000002940600	0,000108455
1253	0,000038045	0,000038045	12,000000002894900	0,000107608
1254	0,000037748	0,000037748	12,000000002849800	0,000106767
1255	0,000037453	0,000037453	12,000000002805500	0,000105933
1256	0,000037161	0,000037161	12,000000002761800	0,000105106
1257	0,000036870	0,000036870	12,000000002718800	0,000104285
1258	0,000036582	0,000036582	12,000000002676500	0,000103470
1259	0,000036296	0,000036296	12,000000002634800	0,000102662
1260	0,000036013	0,000036013	12,000000002593800	0,000101860
1261	0,000035731	0,000035731	12,000000002553500	0,000101064
1262	0,000035452	0,000035452	12,000000002513700	0,000100274
1263	0,000035175	0,000035175	12,000000002474600	0,000099491

Таблица 5.12 – Реализация градиентного метода при

Номер итерации	Х1	Х2	Функция	Параметр останова
1	0,992187500	0,976562500	14,872248322711100	5,725771436
2	0,972112596	0,966700991	14,755778561425900	5,391343315
3	0,960252606	0,949298075	14,647453457158200	5,170831157
4	0,944120479	0,937143394	14,545808827169400	4,999364954
5	0,931250704	0,922455245	14,450015755630300	4,851038521
6	0,917052669	0,909905567	14,359522419103900	4,715343849
7	0,904265341	0,896648294	14,273894939963900	4,588117156
8	0,891210499	0,884368998	14,192768112137200	4,467486611
9	0,878869537	0,872030350	14,115817843495700	4,352565782
10	0,866628626	0,860230552	14,042753034754000	4,242801681
11	0,854831609	0,848589700	13,973308662686200	4,137814211
12	0,843250897	0,837314037	13,907242987828300	4,037283606
13	0,832001542	0,826261206	13,844334505896600	3,940936337
14	0,820995553	0,815497743	13,784380045189000	3,848521743
15	0,810266979	0,804966957	13,727192808899800	3,759812059
16	0,799778396	0,794686358	13,672600853099300	3,674595835
17	0,789535800	0,784630345	13,620445636362400	3,592677880
18	0,779520366	0,774799711	13,570580790710000	3,513876598
19	0,769728817	0,765180416	13,522870992857600	3,438023378
20	0,760149472	0,755767918	13,477190974079800	3,364961115
21	0,750776352	0,746552749	13,433424623226000	3,294543452
22	0,741600798	0,737528983	13,391464187766000	3,226633778
23	0,732616368	0,728689198	13,351209552529500	3,161104506
24	0,723815911	0,720027406	13,312567592195300	3,097836320
25	0,715193248	0,711537292	13,275451586431100	3,036717546
1532	0,000004265	0,000004265	12,000000000036400	0,000012064
1533	0,000004232	0,000004232	12,000000000035800	0,000011970
1534	0,000004199	0,000004199	12,000000000035300	0,000011877
1535	0,000004166	0,000004166	12,000000000034700	0,000011784
1536	0,000004134	0,000004134	12,000000000034200	0,000011692
1537	0,000004101	0,000004101	12,000000000033600	0,000011600
1538	0,000004069	0,000004069	12,000000000033100	0,000011510
1539	0,000004038	0,000004038	12,000000000032600	0,000011420
1540	0,000004006	0,000004006	12,000000000032100	0,000011331
1541	0,000003975	0,000003975	12,000000000031600	0,000011242
1542	0,000003944	0,000003944	12,000000000031100	0,000011154
1543	0,000003913	0,000003913	12,000000000030600	0,000011067
1544	0,000003882	0,000003882	12,000000000030100	0,000010981
1545	0,000003852	0,000003852	12,000000000029700	0,000010895
1546	0,000003822	0,000003822	12,000000000029200	0,000010810
1547	0,000003792	0,000003792	12,000000000028800	0,000010725
1548	0,000003762	0,000003762	12,000000000028300	0,000010641
1549	0,000003733	0,000003733	12,000000000027900	0,000010558
1550	0,000003704	0,000003704	12,000000000027400	0,000010476
1551	0,000003675	0,000003675	12,000000000027000	0,000010394
1552	0,000003646	0,000003646	12,000000000026600	0,000010313
1553	0,000003618	0,000003618	12,000000000026200	0,000010232
1554	0,000003589	0,000003589	12,000000000025800	0,000010152
1555	0,000003561	0,000003561	12,000000000025400	0,000010073
1556	0,000003534	0,000003534	12,000000000025000	0,000009994

Таблица 5.13– Реализация градиентного метода при

Номер итерации	Х1	Х2	Функция	Параметр останова
1	0,992187500	0,976562500	14,872248322711100	5,725771436
2	0,972112596	0,966700991	14,755778561425900	5,391343315
3	0,960252606	0,949298075	14,647453457158200	5,170831157
4	0,944120479	0,937143394	14,545808827169400	4,999364954
5	0,931250704	0,922455245	14,450015755630300	4,851038521
6	0,917052669	0,909905567	14,359522419103900	4,715343849
7	0,904265341	0,896648294	14,273894939963900	4,588117156
8	0,891210499	0,884368998	14,192768112137200	4,467486611
9	0,878869537	0,872030350	14,115817843495700	4,352565782
10	0,866628626	0,860230552	14,042753034754000	4,242801681
11	0,854831609	0,848589700	13,973308662686200	4,137814211
12	0,843250897	0,837314037	13,907242987828300	4,037283606
13	0,832001542	0,826261206	13,844334505896600	3,940936337
14	0,820995553	0,815497743	13,784380045189000	3,848521743
15	0,810266979	0,804966957	13,727192808899800	3,759812059
16	0,799778396	0,794686358	13,672600853099300	3,674595835
17	0,789535800	0,784630345	13,620445636362400	3,592677880
18	0,779520366	0,774799711	13,570580790710000	3,513876598
19	0,769728817	0,765180416	13,522870992857600	3,438023378
20	0,760149472	0,755767918	13,477190974079800	3,364961115
21	0,750776352	0,746552749	13,433424623226000	3,294543452
22	0,741600798	0,737528983	13,391464187766000	3,226633778
23	0,732616368	0,728689198	13,351209552529500	3,161104506
24	0,723815911	0,720027406	13,312567592195300	3,097836320
25	0,715193248	0,711537292	13,275451586431100	3,036717546
1826	0,000000425	0,000000425	12,000000000000400	0,000001202
1827	0,000000422	0,000000422	12,000000000000400	0,000001193
1828	0,000000419	0,000000419	12,000000000000400	0,000001184
1829	0,000000415	0,000000415	12,000000000000300	0,000001174
1830	0,000000412	0,000000412	12,000000000000300	0,000001165
1831	0,000000409	0,000000409	12,000000000000300	0,000001156
1832	0,000000406	0,000000406	12,000000000000300	0,000001147
1833	0,000000402	0,000000402	12,000000000000300	0,000001138
1834	0,000000399	0,000000399	12,000000000000300	0,000001129
1835	0,000000396	0,000000396	12,000000000000300	0,000001120
1836	0,000000393	0,000000393	12,000000000000300	0,000001112
1837	0,000000390	0,000000390	12,000000000000300	0,000001103
1838	0,000000387	0,000000387	12,000000000000300	0,000001094
1839	0,000000384	0,000000384	12,000000000000300	0,000001086
1840	0,000000381	0,000000381	12,000000000000300	0,000001077
1841	0,000000378	0,000000378	12,000000000000300	0,000001069
1842	0,000000375	0,000000375	12,000000000000300	0,000001061
1843	0,000000372	0,000000372	12,000000000000300	0,000001052
1844	0,000000369	0,000000369	12,000000000000300	0,000001044
1845	0,000000366	0,000000366	12,000000000000300	0,000001036
1846	0,000000363	0,000000363	12,000000000000300	0,000001028
1847	0,000000361	0,000000361	12,000000000000300	0,000001020
1848	0,000000358	0,000000358	12,000000000000300	0,000001012
1849	0,000000355	0,000000355	12,000000000000300	0,000001004
1850	0,000000352	0,000000352	12,000000000000200	0,000000996

Данные по количеству итераций и заданным точностям для градиентного метода сведены в таблицу 5.14

Таблица 5.14 - Зависимость числа итераций от точности

Точность	Количество итераций
0,1	382
0,01	676
0,001	969
0,0001	1263
0,00001	1556
0,000001	1850

Рисунок 5.2 – Графическое представление зависимости количества итераций N от точности E для градиентного метода.

Таким образом, анализируя полученные зависимости можно сделать вывод о том, что метод Нелдера-Мида является более эффективным. Так же следует отметить, что градиентный метод быстро приближается к экстремуму, когда текущая точка находится далеко от него, и резко замедляется вблизи экстремума.

Следует заметить, что эффективность применения методов оптимизации прежде всего обусловлена видом функции.

6. ЗАКЛЮЧЕНИЕ

В курсовой работе произведена минимизации функции  с помощью метода оптимизации нулевого порядка – метода Нелдера-Мида и метода оптимизации первого порядка – градиентного метода с дроблением шага.

В результате решения задачи минимизации с помощью метода Нелдера-Мида получено следующее значение функции: . Данный оптимум достигается в точке . Этот метод позволяет найти минимум (при начальной точке Х (1 ; 1)) за 29 итераций при точности решения . При этом параметр останова равен 0,0000921.

В результате реализации градиентного метода минимальное значение функции составляет . Данный оптимум достигнут в точке . Этот метод позволяет найти минимум (при начальной точке Х(1;1)) за 1263 итерации при точности решения . При этом параметр останова равен 0,000099491.

Для каждого из методов была установлена зависимость числа итераций от заданной точности . Анализируя полученные результаты, можно сделать вывод о том, что по числу итераций более эффективным является метод Нелдера-Мида. Однако следует отметить, что эффективность этих методов может изменяться в зависимости от выбора начального приближения и вида функции. Следует также учесть, что градиентный метод может быть непригоден в тех случаях, если расчет производных вызывает затруднение.

7. ПРИЛОЖЕНИЕ

В таблицах представлены координаты точек, образующих линии уровня

В настоящем приложении представлена реализация программного кода для каждого из методов оптимизации. Используемый язык программирования – Visual Studio C# 2005.

Градиентный метод с дроблением шага

namespace GradientL

{public partial class Form1 : Form

{public Form1()

{InitializeComponent();}

public static string[] str = new string[100000];

struct Tk

{public double x1, x2;

public Tk(double X, double Y)

{x1 = X;

x2 = Y;}

public static Tk operator /(Tk v1, double q)

{return new Tk(v1.x1 / q, v1.x2 / q);}

public static Tk operator *(Tk v, double d)

{return new Tk(v.x1 * d, v.x2 * d);}

public static Tk operator *(Tk v1, Tk v2)

{return new Tk(v1.x1 * v2.x1, v1.x2 * v2.x2);}

public static Tk operator -(Tk v1, Tk v2)

{return new Tk(v1.x1 - v2.x1, v1.x2 - v2.x2);}

public static Tk operator +(Tk v1, Tk v2)

{return new Tk(v1.x1 + v2.x1, v1.x2 + v2.x2);}

public static double Dist(Tk v1, Tk v2)

{return Math.Sqrt((v1.x1 - v2.x1) * (v1.x1 - v2.x1) + (v1.x2 - v2.x2) * (v1.x2 - v2.x2));}

public override string ToString()

{return "(" + this.x1.ToString("f5") + ";" + this.x2.ToString("f5") + ")";}}

class Pr

{public static double f(Tk c)

{return 12 + c.x1 * c.x1 + (1 + c.x2 * c.x2) * c.x2 * c.x2 + (c.x1 * c.x1 * c.x2 * c.x2 + 100) * (c.x1 - c.x2) * (c.x1 - c.x2);}

static Tk gradient(Tk c)

{Tk N = new Tk(2 * c.x1 + 2 * c.x1 * c.x2 * c.x2 *

( c.x1 - c.x2)*(c.x1 - c.x2) + 2 * (c.x1 * c.x1 * c.x2 * c.x2 + 100) * (c.x1 - c.x2),

2 * c.x2*c.x2*c.x2+2*c.x2*(1+c.x2*c.x2)+

2*c.x2*c.x1*c.x1*(c.x1-c.x2)*(c.x1-c.x2)-2*(c.x1-c.x2)*

(c.x1*c.x1*c.x2*c.x2+100));

return N;}

public static double Dl(Tk c)

{return Math.Sqrt(c.x1 * c.x1 + c.x2 * c.x2);}

public static void Tr(double eps, ref Tk ca, out double fn, out int i)

{Tk cb = new Tk(1, 1), st = new Tk(0.5, 0.5);

Tk step = new Tk(1, 1), eq; i = 0;

do

{while (true)

{cb = ca - step * gradient(ca);

eq = st * step * gradient(cb) * gradient(cb);

if (f(cb - step * gradient(cb)) >= (f(cb) - Dl(eq)))

{ step.x1 /= 2;

step.x2 /= 2;}

else break;}

fn = f(ca);

i++;

str[i] = String.Format("{0}" + ") " + "{1}" + "; " +

"{2}" + "; " + "{3}" + ".", i.ToString(), ca.ToString(), fn.ToString("f6"), Dl(gradient(cb)).ToString("f6"));

ca = cb;}

while (Dl(gradient(cb)) >= eps);

fn = f(cb);}}

private void button1_Click(object sender, EventArgs e)

{listBox1.Items.Clear();

double Et = Convert.ToDouble(textBox3.Text);

double fn;

int j;

Tk mas = new Tk(Convert.ToDouble(textBox1.Text), Convert.ToDouble(textBox2.Text));

Pr.Tr(Et, ref mas, out fn, out j);

Min.Visible = true;

Min.Text = String.Format("{0}" + "; " + "{1}" + "; " +

"{2}", mas.ToString(), fn.ToString(), j.ToString());

for (int i = 1; i < j; i++)

listBox1.Items.Add(str[i]);}

private void Form1_Load(object sender, EventArgs e){}}}

Метод Нелдера-Мида

namespace Nelder_Method

{public partial class Form1 : Form

{public Form1()

{InitializeComponent();}

static double Al = 1.0;

static double Bt = 0.5;

static double Gm = 2.0;

static int n=0;

static string[] op = new string[1000];

const int cap = 2;

struct Tk

{public double x1, x2;

public Tk(double X, double Y)

{x1 = X;

x2 = Y;}

public static Tk operator /(Tk v1, double q)

{return new Tk(v1.x1 / q, v1.x2 / q);}

public static Tk operator *(Tk v, double d)

{return new Tk(v.x1 * d, v.x2 * d);}

public static Tk operator *(Tk v1, Tk v2)

{return new Tk(v1.x1 * v2.x1, v1.x2 * v2.x2);}

public static Tk operator -(Tk v1, Tk v2)

{return new Tk(v1.x1 - v2.x1, v1.x2 - v2.x2);}

public static Tk operator +(Tk v1, Tk v2)

{return new Tk(v1.x1 + v2.x1, v1.x2 + v2.x2);}

public static double Dist(Tk v1, Tk v2)

{return Math.Sqrt((v1.x1 - v2.x1) * (v1.x1 - v2.x1) + (v1.x2 - v2.x2) * (v1.x2 - v2.x2));}

public override string ToString()

{return "(" + this.x1.ToString("f5") + ";" + this.x2.ToString("f5") + ")";}}

class Cnt

{public static double function(Tk c)

{return 12 + c.x1*c.x1 + (1+c.x2*c.x2)*c.x2*c.x2 + (c.x1*c.x1*c.x2*c.x2+100)*(c.x1-c.x2)*(c.x1-c.x2);}

public static void Pr(ref Tk[] c, ref double[] ot)

{double fir; Tk tk;

for (int k = 1; k <= cap; k++)

for (int l = k; l >= 1; l--)

if (ot[l - 1] > ot[l])

{fir = ot[l];

tk = c[l];

ot[l] = ot[l - 1];

c[l] = c[l - 1];

ot[l - 1] = fir;

c[l - 1] = tk;}

else break;}

public static bool Ostanov(Tk[] w, double E, double n, Tk c, out double Ost)

{double Lp;

double d = 0.5;

double p1 = 0;

Tk p2 = new Tk(0, 0);

for (int i = 0; i <= cap; i++)

{p1 += (function(w[i]) - function(c)) * (function(w[i]) - function(c));

p2 += (w[i] - c) * (w[i] - c);}

Lp = Math.Sqrt(p2.x1 * p2.x1 + p2.x2 * p2.x2);

Ost = d * (Math.Sqrt((1 / (n + 1)) * p1)) + (1 - d) * (Math.Sqrt((1 / (n + 1)) * Lp));

if (Ost < E)

return true;

else return false;}

public static double Met(Tk[] c, double tchn)

{double[] f = new double[cap + 1];

double val1=0, val2=0, val3 = 0, val4, val5, val6, val7;

Tk sim1, sim2, sim3, sim4, sim5, sim6, sim_cen, sim7;

sim_cen.x1 = sim_cen.x2 = 0;

int i;

double J1;

bool flag;

for (i = 0; i <= cap; i++) // Вычисление значений функции на начальном симплексе

f[i] = function(c[i]);

while (!Ostanov(c, tchn, n, sim_cen, out J1))// Проверка на условие выхода

{n++;

// Шаг 1. Сортировка

Pr(ref c, ref f);

sim1 = c[cap]; val1 = f[cap];

sim2 = c[cap - 1]; val2 = f[cap - 1];

sim3 = c[0]; val3 = f[0];

// Шаг 2. Вычисление центра тяжести симплекса

sim_cen.x1 = sim_cen.x2 = 0;

for (i = 0; i < cap; i++)

sim_cen = sim_cen + c[i];

sim_cen = sim_cen / cap;

// 3Шаг . Отражение

sim4 = sim_cen * (1 + Al) - sim1 * Al; val4 = function(sim4);

// Шаг 4.

if (val4 <= val3)

{   // Шаг 4a.

sim5 = sim_cen * (1 - Gm) + sim4 * Gm;

val5 = function(sim5);

if (val5 < val3)

{c[cap] = sim5;

f[cap] = val5;}

else

{c[cap] = sim4;

f[cap] = val4;}}

if ((val3 < val4) && (val4 <= val2))

{ // Шаг 4.b

c[cap] = sim4;

f[cap] = val4;}

flag = false;

if ((val1 >= val4) && (val4 > val2))

{ // Шаг 4c.

flag = true;

val7 = val1;

sim7 = sim1;

c[cap] = sim4;

f[cap] = val4;

sim4 = sim7;

val4 = val7;}

// Шаг 4d.

if (val4 > val1) flag = true;

if (flag)

{ // Шаг 5. Сжатие

sim6 = sim1 * Bt + sim_cen * (1 - Bt);

val6 = function(sim6);

if (val6 < val1)

{ // Шаг 6.

val7 = val1;

sim7 = sim1;

c[cap] = sim6;

f[cap] = val6;

sim6 = sim7;

val6 = val7;}

else

{ // Шаг 7. Глобальное сжатие

for (i = 0; i <= cap; i++)

c[i] = sim3 + (c[i] - sim3) / 2;}}

op[n - 1] = Convert.ToString(n) + "; " + sim1.ToString() +

"; " + sim2.ToString() + "; " + sim3.ToString();}

return (val3 + val1 + val2) / 3;}}

private void button1_Click(object sender, EventArgs e)

{Tk ta = new Tk(0, 0);

Tk tb = new Tk(0.26, 0.96);

Tk tc = new Tk(0.96, 0.26);

Tk[] t = new Tk[3] { ta, tb, tc };

listBox1.Items.Clear();

n = 0;

op = new string[200];

double eps1 = Convert.ToDouble(textBox2.Text);

label4.Text = Cnt.Met(t, eps1).ToString("f5") + "; " + Convert.ToString(n) + ".";

for (int i = 0; i < n; i++)

listBox1.Items.Add(op[i]);}

private void Form1_Load(object sender, EventArgs e){}}

8. СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ

1.   Агуров П.В. C# в подлиннике (программирование на языке С#) – Петербург, 2006

2.   Агуров П.В. Сборник рецептов по C# - Петербург,2006

3.   Банди Б. Методы оптимизации – Москва, 1988

4.   Базара М, Шетти К. Нелинейное программироваине. Теория и алгоритмы – М.:Мир, 1988

5.   Поляк Б.Т. Введение в оптимизацию. - М.: Наука, 1983

6.   Раскин Л.Г. Математическое программирование: Учебное пособие – Харьков: НТУ «ХПИ» , 2002

7.   Рихтер Д. Программирование на платформе Microsoft. NET Freamework для профессионалов – М.Microsoft Press, 2003

8.   Серая О.В. Методические указания для проведения лабораторных работ по курсу «Математическое программирование» - Харьков: НТУ «ХПИ» , 2003

9.   Сухарев А.Г., Тимохов А.В Курс методов оптимизации – М.: Наука, 1986

10.       Химмельблау Д. Прикладное нелинейное программирование М.:Мир, 1989

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ УКРАИНЫ НАЦИОНАЛЬНЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ «ХАРЬКОВСКИЙ ПОЛИТЕХНИЧЕСКИЙ ИНСТИТУТ» Факультет информатики и управления Кафедра экономической кибернетики и маркетингового менеджмента

 

• 14:21 05 Июля 2016
  Российско-китайский медуниверситет откроет магистерскую программу по TCM
• 01:21 05 Июля 2016
  На форуме МГУ Россия и Китай обсудят научно-образовательное сотрудничество
• 11:00 04 Июля 2016
  Реморенко: "ЕГЭ-туризм" в России сходит на нет
• 10:52 04 Июля 2016
  Летняя российско-австрийская школа откроется в Москве
• 15:31 01 Июля 2016
  В СПбГУ могут воссоздать географический факультет

Заказать уникальную работу