|
||
Решение собственных задачОптимизация представляет собой механизм разрешения неопределенностей посредством многовариантного анализа. С другой стороны, неопределенность является категорией научного познания и неизбежным атрибутом человеческого бытия вообще. Оптимизационные задачи направлены на улучшение состояния какой-либо системы: повысить качество, увеличить прибыль, повысить скорость, дальность полета, эффективность использования ресурсов и т.д. Существует много оптимизационных методов, каждый из которых предназначен для решения определенного класса задач, имеет свои достоинства и недостатки. Поэтому заявлять о разработке универсального оптимизационного метода не совсем корректно и, тем не менее, мы это утверждаем. Нам, в какой-то мере, удалось на основе генетического подхода и элементов случайного поиска разрешить проблему несовместимости локальности и глобальности в условиях большой размерности и неопределенности модели. При этом достигается высокая точность, сходимость, устойчивость решения непрерывных, целочисленных, дискретных и смешанных задач в рамках одного алгоритма. (генетические алгоритмы это новый подход в моделировании, основанный на теории эволюции в биологии и использующий понятия аналогичные популяции, потомкам, родительским особям, мутации, хромосомам, генам и т.п. ) 1. Основные показатели универсального алгоритма случайно-генетической оптимизацииКак известно, основными показателями оптимизационных алгоритмов является:
Разработанный алгоритм обеспечивает высокий уровень качества единовременно по всем перечисленным показателям; выигрывает практически по каждому из них, причем значительно, в сравнении с известными оптимизационными методами, решает все перечисленные типы задач. Характерно еще и то, что он дает устойчивые оптимальные решения в условиях частичной определенности модели (когда при некоторых значениях параметров модель объекта не существует, либо процесс в этом состоянии еще не описан, либо модель не реализуема с вычислительной точки зрения – деление на ноль, отрицательное подкоренное выражение, не определенные тригонометрические функции типа аrссоs, аrctg и т.п.) Разработанный случайно-генетический алгоритм решает все задачи надежно и точно. Прилагается набор тестов, подтверждающих данные заявления 2. Компоненты системыПапка CVF это реализация «быстрой» системы случайно-генетической оптимизации в Compaq Visual Fortran. Папка FREE – реализация системы с произвольным языком программирования. Папка EXE-RASTRIGIN демонстрирует различные модификации решения теста Растригина. Достаточно нажать “ENTER”, чтобы запустить какой-либо пример. Cкачайте архив с системой genoptim.rar. В каждой папке есть свои readme. 3. Рекомендации по использованиюПо всей видимости, знакомство с системой лучше начать с примеров. Откройте любую из папок sist_1, sist_2, sist_3 поддиректории FREE и запустите genoptim.exe, вы увидите так называемый медленный вариант работы системы (FREE). Затем запустите несколько EXE-файлов из папки EXE-RASTRIGIN. Посмотрите внимательно, многое станет понятным. Затем надо почитать и приступать к решению своей задачи (систем настроена на МИНИМИЗАЦИЮ). Определитесь, в какой версии системы Вам удобно работать:
Прилагается набор тестов-задач и фортран-программ, которые можно использовать для обучения и оценки возможностей системы (скачайте архивы TEST.rar, FORT_programm.rar, TEST_exe.rar TEST_exe.rar) . В архиве TEST_exe.rar находятся EXE-файлы демонстрирующие качество работы алгоритма на тестах архива TEST.rar, раздел FORT_programm.rar содержит тексты программ на фортране этих тестов. |
||
  | ||