Математическое программирование

Процесс разработки конструкции ЭС включает в себя целый ряд задач поиска оптимальных конструктивно-технологических решений на множестве вариантов, число которых, как правило, велико [7]. В автоматизированном конструировании необходимо от содержательной постановки задачи перейти к математической модели [2]. Такой переход называется формализацией, в которой выделяют две стороны: построение модели конструкции ЭС и математическая формулировка оптимизационной задачи.

Для поиска оптимального решения необходимо сформулировать цель поиска, выраженную в виде критерия оптимизации F (целевой функции), экстремальное значение которого отыскивается. Предполагается, что любые два варианта из области поиска (области определения целевой функции) можно сравнить, т.е. поставить им в соответствие число – значение критерия F, следовательно, на множестве вариантов задано заранее неизвестное отношение порядка.

Критерий F зависит от управляемых параметров (вектор X), которые можно менять в процессе поиска оптимума, и неуправляемых (вектор Z). Тогда оптимизационная задача в общем виде формулируется следующим образом.

Требуется найти экстремальное значение критерия F:

extr F( X, Z )

при m ограничениях

q_к(X, Z) £ a_k, k = 1, 2, …m;

X Î D,

где D – область допустимых решений.

Методы решения оптимизационных задач (3.1), (3.2) рассматриваются в области математики, именуемой математическим программированием [7]. Эти методы существенно зависят от характера целевой функции и ограничений, что положено в основу приведенной ниже классификации разделов математического программирования.

Линейное программирование (ЛП) изучает оптимизационные задачи, в которых функции F и q линейны относительно параметров X и Z.

Ряд возникших в практической деятельности инженера оптимизационных задач приводят к линейной целевой функции и линейным ограничениям. В качестве примера рассмотрим производственную задачу о распределении ресурсов.

Пусть имеются некоторые ресурсы (сырье, рабочая сила и т.п.) в ограниченных количествах b₁ , b₂ , …, b_m. Известно, что для производства единицы j -й продукции необходим i -й ресурс в количестве a_ij. Требуется определить оптимальный план выпуска: какое количество х_j каждого вида продукции следует выпускать, чтобы получить максимальную прибыль, если известна чистая прибыль с_ij от реализации единицы j -й продукции. Математически эта задача сводится к поиску максимума линейной формы

Max F = х_j

при линейных ограничениях-неравенствах

x_j ≤ b_i, i = 1, 2, …, n;

х_j ≥ 0.

Если известны условия спроса, то на х_j накладываются дополнительные ограничения

x_j ≤ p_i,

где p_i – максимальное в условиях спроса количество j -й продукции.

Для решения задачи ЛП применяют симплекс-метод [7].

Нелинейное программирование (НП) - функции F и q нелинейны относительно X и Z, область допустимых решений D может быть невыпуклой и содержать бесконечное множество решений, а целевая функция чаще всего многоэкстремальна.

Общего метода решения задач НП не существует. Выбор метода осуществляется на основе априорной информации о характере целевой функции и ограничений.

Например, для одномерных задач НП (n = 1) известны классические методы: метод, основанный на числах Фибоначчи, метод «золотого сечения» и др.

Ограниченное применение в многомерных задачах находят дифференциальное исчисление, метод множителей Лагранжа.

К поисковым методам, основанным на итерационном принципе (принципе последовательных приближений), относятся:

· метод локального поиска на сетке;

· градиентный метод;

· метод наискорейшего спуска;

· метод покоординатного спуска;

· метод штрафных функций;

· метод случайного поиска.

Указанные методы обеспечивают нахождение одного из локальных экстремумов. Для отыскания глобального экстремума применяют:

· метод «кенгуру и мыши»;

· метод Монте-Карло.

Динамическое программирование – процесс решения естественным образом (или искусственно) распадается на этапы, и значение функции F определяется как сумма (произведение) соответствующих значений F на отдельных этапах, т.е. целевая функция F аддитивна (мультипликативна).

Примером может служить задача отыскания кратчайшего пути на взвешенном по ребрам графе, для решения которой может быть применен алгоритм Беллмана-Калаба. Частный случай этой задачи – трассировка проводников на печатной плате, для которой применяется волновой алгоритм [6].

Стохастическое программирование – параметры Z – случайные величины, и вместо функции F отыскивается экстремум ее математического ожидания.

Дискретное программирование – на X, Z наложено условие дискретности (например, целочисленности), т.е. область определения D представляет собой конечное множество. В зависимости от вида функции F и q задачи дискретного программирования могут быть линейными (целочисленное линейное программирование - ЦЛП) и нелинейными (дискретное нелинейное программирование - ДНП).

Для решения задач ЦЛП применяют:

· метод отсечений, основанный на многократном применении симплекс-метода;

· метод ветвей и границ;

· итерационные эвристические алгоритмы, которые можно назвать дискретными аналогами градиентных методов и др.

Для решения задач ДНП применяют:

· метод ветвей и границ;

· метод случайного поиска;

· эвристические алгоритмы (последовательные итерационные, дихотомические, генетические и др.). В этом случае можно говорить об эвристическом программировании.

Эвристическое программирование. Если решение задачи точными методами трудоемко, то довольствуются приближенным достаточно хорошим для практики решением, которое отыскивается с использованием специальных приемов – эвристик, позволяющих сокращать число просматриваемых вариантов. Эвристики разрабатываются на основе изучения и использования специфики конкретных задач.

Потребности практики автоматизированного конструирования ЭС обусловили развитие и широкое использование методов оптимизации, в которых ценой отказа от получения точного решения экстремальной задачи существенно уменьшается высокая трудоемкость, присущая описанным выше методам решения задач дискретного программирования. Для этого направления характерны два принципиально разных подхода: методы случайного поиска и эвристические методы.

Эвристические подход основан на использовании совокупности эвристик – приемов, обеспечивающих в процессе поиска приближение к оптимальному решению, хотя и не гарантирующих его достижение.

Примером эвристических алгоритмов могут служить последовательные алгоритмы размещения конструктивных элементов и разбиения схем ЭС [1, 3, 5, 6], а также комбинаторные аналоги градиентных методов, рассмотренные в подразделе 4.1. Действительно, как известно градиентные методы основаны на свойстве непрерывности целевой функции, и применение идей градиентных методов к дискретным задачам может дать хорошие результаты только для определенного класса задач, что определяется экспериментально.

Один из путей построения эвристических алгоритмов – анализ процесса решения задачи некоторым точным методом и введение эвристик в этот процесс, обеспечивающих существенное сокращение объема вычислительной работы. Так, например, если в методе ветвей и границ после каждого ветвления сохранять лишь одно (или небольшое число) наиболее перспективных подмножеств решений, то процесс быстро сходится. Однако гарантий получения оптимального решения уже нет: оно может оказаться в отброшенном подмножестве решений.

Применение метода Монте-Карло основано на гипотезе, что во множестве всех допустимых решений существует сравнительно большое количество вариантов решений, близких к оптимальному, т.е. вероятность случайного выбора приемлемого решения достаточно высокая. К сожалению, экспериментальные исследования ряда задач технического проектирования ЭС эту гипотезу не подтверждают. В таких задачах, как правило, отношение числа «хороших вариантов» к их общему числу ничтожно мало, что ограничивает использование метода Монте-Карло. Преимущество метода Монте-Карло – возможность оценить степень близости полученного решения к оптимальному. Ценность метода в том, что на его основе возможно сравнение различных алгоритмов решения дискретных задач.

Вариационные задачи. Управляемыми параметрами X могут быть не только переменные, но и функции. Критерий F в этом случае называется функционалом, пространство поиска – функциональным, а задача – вариационной.

Многокритериальные задачи. Практические задачи конструирования ЭС могут требовать оптимизации не по одному критерию F, а по нескольким, в общем случае противоречивым. Методы решения многокритериальных задач интенсивно развиваются в настоящее время.

Для решения многокритериальных задач применяют:

· свертку критериев качества в один критерий с весовыми коэффициентами для каждого исходного критерия;

· ранжирование критериев качества и др.

Конструктору ЭС приходится иногда принимать решение в условиях неполной информации. Наличие неопределенности усложняет оптимизационную задачу, но и в этом случае математические приемы помогают человеку принять более обоснованное решение.

В том случае, если проектную задачу не удается формализовать, т.е. построить ММ объекта проектирования и разработать или подобрать подходящий метод (алгоритм) решения задачи, то такую задачу называют трудно формализуемой. Для решения таких задач применяют технологии экспертных систем, искусственные нейронные сети и другие методы искусственного интеллекта.