ЭС с запоминанием экстремума

Структура системы с запоминанием экстремума представлена на рис. 2.25.

ЭС с запоминанием экстремума - student2.ru

Рис. 2.25. Структура экстремальной системы с запоминанием экстремума

Она включает:

ЗУ – запоминающее устройство,

К – компаратор,

СР – схема реверса,

ИУ – исполняющее устройство,

СС – схема сброса.

Временные диаграммы функционирования экстремальной системы с запоминающим устройством, работающим по алгоритму

ЭС с запоминанием экстремума - student2.ru ,

представлены на рис. 2.26,2.27.

ЭС с запоминанием экстремума - student2.ru ЭС с запоминанием экстремума - student2.ru

Рис. 2.26. Графики изменения основных переменных, характеризующих процесс в экстремальной системе с запоминанием экстремума

Данная система является релейной

Многомерные ЭС

Многомерные ЭС предполагают наличие объекта управления с экстремальной характеристикой, состояние которого зависит от нескольких входных переменных. На рис. 2.27 показана общая структура многомерных ЭС.

ЭС с запоминанием экстремума - student2.ru

Рис. 2.27. Структура многомерной ЭС

Особенности данной системы связаны с блоками УПУ и Изм.У.

Пусть имеем зависимость ЭС с запоминанием экстремума - student2.ru . Изобразим ЭС с запоминанием экстремума - student2.ru на плоскости линиями уровня для значений ЭС с запоминанием экстремума - student2.ru

ЭС с запоминанием экстремума - student2.ru

Рис. 2.28 Постановка задачи двумерного экстремального поиска

Пусть начальная точка состояния системы соответствует ЭС с запоминанием экстремума - student2.ru . Алгоритм поиска может быть следующим.

: а) получить информацию о поведении функции в окрестности рабочей точки;

б) организовать движение системы (формулирование управляющих воздействий) в требуемом направлении.

Методы поиска экстремума функции многих переменных

Методы поиска экстремума функции многих переменных, наиболее часто используемые в экстремальных системах управления, можно разделить на две группы:

а) детерминированные,

б) случайного поиска.

Градиентные методы

Среди детерминированных способов наиболее эффективными в системах адаптивного управления являются градиентные методы. Градиентные методы основаны на использовании градиента целевой функции. Указанные методы носят итеративный характер, так как компоненты градиента являются, как правило, нелинейными функциями управляемых переменных.

Основная идея всех градиентных методов состоит в том, чтобы двигаться к минимуму в направлении наиболее быстрого убывания функции, которое определяется антиградиентом. Эта идея может реализоваться, например, следующим образом.

Выберем каким-либо способом начальную точку, вычислим в ней градиент рассматриваемой функции и сделаем небольшой шаг в обратном, антиградиентном направлении. В результате мы придем в точку, в которой значение функции будет меньше первоначального. В новой точке повторим процедуру: снова вычислим градиент функции и сделаем шаг в обратном направлении. Продолжая этот процесс, мы будем двигаться в сторону убывания функции.

Наглядной интерпретацией задачи градиентного спуска можно считать положение человека, который хочет максимально быстро спуститься на дно котловины, заросшей лесом, но видит перед собой лишь ограниченный участок местности. В такой ситуации логичным алгоритмом действия является движение в ту сторону, где местность наиболее круто идет вниз, т.е. в сторону антиградиента функции высоты.

Далее везде будем предполагать, что ЭС с запоминанием экстремума - student2.ru , ЭС с запоминанием экстремума - student2.ru существуют и непрерывны. Предполагается, что компоненты градиента могут быть записаны в аналитическом виде или с достаточно высокой точностью вычислены при помощи численных методов.

Замечание. В практических задачах найти значения производных целевых функций вида ЭС с запоминанием экстремума - student2.ru аналитически, как правило, не удается и их вычисляют приближенно:

ЭС с запоминанием экстремума - student2.ru .

Выбор величин приращений по координатам ЭС с запоминанием экстремума - student2.ru зависит от возможностей используемой ЭВМ и необходимой точности вычислений.

Все градиентные методы поиска минимума основаны на итерационной процедуре, реализуемой в соответствии с формулой

ЭС с запоминанием экстремума - student2.ru ,

где ЭС с запоминанием экстремума - student2.ru – текущее приближение к решению ЭС с запоминанием экстремума - student2.ru ;

ЭС с запоминанием экстремума - student2.ru – параметр, регулирующий длину ЭС с запоминанием экстремума - student2.ru -го шага;

ЭС с запоминанием экстремума - student2.ru – направление поиска в ЭС с запоминанием экстремума - student2.ru - мерном пространстве управляемых переменных ЭС с запоминанием экстремума - student2.ru , ЭС с запоминанием экстремума - student2.ru .

Способ определения ЭС с запоминанием экстремума - student2.ru и ЭС с запоминанием экстремума - student2.ru на каждой итерации связан с особенностями применяемого метода.

Ранее уже отмечалось, что градиент функции ЭС с запоминанием экстремума - student2.ru в точке ЭС с запоминанием экстремума - student2.ru − это вектор

ЭС с запоминанием экстремума - student2.ru ,

проекции которого являются производными по координатам и вычислены для ЭС с запоминанием экстремума - student2.ru . Длина вектора градиента

ЭС с запоминанием экстремума - student2.ru (2.1)

характеризует скорость возрастания функции в этой точке, а направление соответствует направлению быстрейшего возрастания функции. Антиградиент - это вектор такой же длины, направленный в противоположную сторону (рис. 2.29). В точке минимума градиент функции равен нулю.

Единичный вектор градиента определяется как

ЭС с запоминанием экстремума - student2.ru .

ЭС с запоминанием экстремума - student2.ru

Рис. 2.29. Градиент и антиградиент функции

При поиске минимума каждая следующая точка поиска ЭС с запоминанием экстремума - student2.ru (каждый новый член минимизирующей последовательности) получается в результате перемещения из предыдущей точки по направлению антиградиента целевой функции по формуле

ЭС с запоминанием экстремума - student2.ru .

Если в результате этого перемещения наблюдается увеличение значения целевой функции, то значение рабочего шага поиска уменьшается. Поиск прекращается, когда выполняется необходимое условие ЭС с запоминанием экстремума - student2.ru , например, длина вектора градиента становится меньше требуемой точности:

ЭС с запоминанием экстремума - student2.ru . (2.2)

Различают методы градиента с переменным шагом и с постоянным шагом (рис. 2.30). При использовании метода градиента с переменным шагом изменение значений ЭС с запоминанием экстремума - student2.ru производится согласно выражению

ЭС с запоминанием экстремума - student2.ru , i=1,2,...,n , k=0,1,2…, (2.3)

а останов поиска - при выполнении неравенства (2.2). При возникновении ситуации ЭС с запоминанием экстремума - student2.ru значение параметра h уменьшается, например, делится на число ЭС с запоминанием экстремума - student2.ru . Характер изменения значений ЭС с запоминанием экстремума - student2.ru , согласно (2.3), зависит от величины и знака соответствующих частных производных целевой функции.

ЭС с запоминанием экстремума - student2.ru

Рис. 2.30. Методы с постоянным и переменным шагом

К недостаткам метода можно отнести то, что, во-первых, на каждом шаге необходимо определять значение градиента. Это может быть не просто, если градиент определяется экспериментально. Во-вторых, по мере приближения к точке ЭС с запоминанием экстремума - student2.ru абсолютные величины частных производных уменьшаются, следовательно, и шаг поиска является переменным – уменьшается по мере приближения к искомой точке. Такой характер поиска ЭС с запоминанием экстремума - student2.ru требует иногда весьма значительных затрат времени.

Второй из отмеченных недостатков может быть устранен применением метода градиента с постоянным шагом. Метод позволяет сократить затраты времени, но требует несколько большего объема вычислений при изменении значений аргументов целевой функции. Его основное соотношение:

ЭС с запоминанием экстремума - student2.ru , i=1,2,...,n; k=0,1,2,... . (2.4)

Метод использует вектор градиента единичной длины, который определяет лишь направление градиента, поэтому движение по ЭС с запоминанием экстремума - student2.ru осуществляется с постоянной скоростью, зависящей от величины шага ЭС с запоминанием экстремума - student2.ru . Если изменение аргументов целевой функции в соответствии с (2.4) приводит к увеличению ее значения, параметр поиска ЭС с запоминанием экстремума - student2.ru уменьшается. Останов поиска ЭС с запоминанием экстремума - student2.ru по методу градиента с постоянным шагом осуществляется при выполнении неравенства ЭС с запоминанием экстремума - student2.ru .

Метод Коши (Наискорейшего спуска)

Вычисление градиента на каждом шаге, позволяющее все время двигаться в направлении наиболее быстрого убывания целевой функции, может в то же время замедлить вычислительный процесс. Дело в том, что подсчет градиента - обычно гораздо более сложная операция, чем подсчет самой функции, особенно если аналитическое выражение градиента отсутствует. Поэтому часто пользуются модификацией градиентного метода, получившей название метода наискорейшего спуска или метода Коши (рис.2.31).

ЭС с запоминанием экстремума - student2.ru

Рис. 2.31. Иллюстрация к методу наискорейшего спуска

Согласно этому методу после вычисления градиента функции в начальной точке делают в направлении антиградиента не маленький шаг, а движутся до тех пор, пока функция убывает. Достигнув точки минимума на выбранном направлении, снова вычисляют градиент функции и повторяют описанную процедуру. При этом градиент вычисляется гораздо реже, только при смене направлений движения.

Хотя траектория ведет к цели не так быстро, как на рис. 2.30, экономия машинного времени за счет более редкого вычисления градиента может быть весьма существенной.

Метод может быть реализован в нескольких вариантах. Простейшим является использование формулы

ЭС с запоминанием экстремума - student2.ru

для последовательного движения к экстремуму, пока будет выполняться условие ЭС с запоминанием экстремума - student2.ru . Нарушение данного условия означает прохождение точки минимума и говорит о том, что необходимо изменить направление движения. В достигнутой точке производится новый расчет вектора градиента и процесс повторяется.

Другой вариант состоит в том, что значение шага оптимизации ЭС с запоминанием экстремума - student2.ru вычисляется путем решения задачи минимизации ЭС с запоминанием экстремума - student2.ru вдоль направления ЭС с запоминанием экстремума - student2.ru с помощью того или иного метода одномерного поиска. Этот вариант реализации алгоритма более сложный, но обычно требует меньшего количества итераций.

Пусть функция ЭС с запоминанием экстремума - student2.ru дифференцируема по ЭС с запоминанием экстремума - student2.ru и вектор градиента может быть записан аналитически. Тогда поиск минимума функции с использованием процедуры одномерной минимизации включает следующие этапы.

Этап 1. Определение аналитических соотношений для вычисления градиента функции ЭС с запоминанием экстремума - student2.ru , длины вектора градиента ЭС с запоминанием экстремума - student2.ru и единичного вектора градиента ЭС с запоминанием экстремума - student2.ru .

Этап 2. Выбор исходной точки ЭС с запоминанием экстремума - student2.ru при ЭС с запоминанием экстремума - student2.ru (начальных значений аргументов функции).

Этап 3. Выбор шага a изменения координат текущей точки ЭС с запоминанием экстремума - student2.ru . Осуществляется из условия достижения экстремума функции ЭС с запоминанием экстремума - student2.ru одного аргумента ЭС с запоминанием экстремума - student2.ru в соответствии с уравнением

ЭС с запоминанием экстремума - student2.ru .

Корень этого уравнения, соответствующий минимуму функции ЭС с запоминанием экстремума - student2.ru , обозначим ЭС с запоминанием экстремума - student2.ru .

Этап 4. Следующее приближение ЭС с запоминанием экстремума - student2.ru вычисляется по формуле ЭС с запоминанием экстремума - student2.ru

Этап 5. Производится возврат к этапу 3.

В результате формируется последовательность приближений ЭС с запоминанием экстремума - student2.ru . Вычислительный процесс заканчивается, когда будет достигнута точка ЭС с запоминанием экстремума - student2.ru , в которой оценка градиента будет равна нулю (коэффициенты функции отклика становятся незначимыми).

Пример. Выполнить шаг наискорейшего спуска для функции вида

ЭС с запоминанием экстремума - student2.ru

Решение.

Этап 1. Общий вид градиента функции ЭС с запоминанием экстремума - student2.ru :

ЭС с запоминанием экстремума - student2.ru , ЭС с запоминанием экстремума - student2.ru , ЭС с запоминанием экстремума - student2.ru

Длина вектора градиента:

ЭС с запоминанием экстремума - student2.ru

Этап 2. Выбор начальной точки, например ЭС с запоминанием экстремума - student2.ru .

Этап 3. Вычисление координат единичного вектора градиента

ЭС с запоминанием экстремума - student2.ru

Координаты точки ЭС с запоминанием экстремума - student2.ru при движении по направлению вектора ЭС с запоминанием экстремума - student2.ru

ЭС с запоминанием экстремума - student2.ru

Запишем выражение для функции у в точке ЭС с запоминанием экстремума - student2.ru как функцию от ЭС с запоминанием экстремума - student2.ru :

ЭС с запоминанием экстремума - student2.ru .

Этап 4. Выбор шага а изменения координат текущей точки. Найдя производную от ЭС с запоминанием экстремума - student2.ru по ЭС с запоминанием экстремума - student2.ru в точке ЭС с запоминанием экстремума - student2.ru и приравняв ее к нулю получим ЭС с запоминанием экстремума - student2.ru ЭС с запоминанием экстремума - student2.ru . Следовательно, шаг ЭС с запоминанием экстремума - student2.ru .

Этап 5. Делаем шаг в направлении антиградиента. Координаты точки ЭС с запоминанием экстремума - student2.ru после выполнения первого шага наискорейшего спуска по формуле

ЭС с запоминанием экстремума - student2.ru

Аналогично выполняется следующий шаг наискорейшего спуска.

Рассмотренный алгоритм применяют только для нелинейныхфункций. Если функция отклика является линейной, то выбор оптимального значения параметра a невозможен. В этом случае шаг выбирается исходя из эвристических предположений исследователя о виде функции отклика.

Наши рекомендации