OptimizationMethods

KO | EN

gitlite — search

#rust #deep-learning #linux #docker #macos #nodejs #windows #cli #kubernetes #vue #pytorch #mcp #ios #openai

OptimizationMethods

(★ 9)

No description available.

OptimizationMethods 최신버젼 다운로드

최종 버전 다운로드 (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# Лабораторные работы по методам оптимизации.
## Определения и обозначения.
- **Промежуток неопределённости** - для методов нулевого порядка - область в которой мы ожидаем обнаружить экстремум функции.
- **Целевая функция** - функция для которой мы ищем экстремум.
- **Измерение целевой функции** - определение значения **целевой функции** в точке.
- **lhs** и **rhs** - левая и правая граница **промежутка неопределённости**.
- **eps** или **accuracy** или $$\varepsilon$$ - точность с которой мы ищем экстемум функции. 
- **Унимодальная функция** - функция с одним экстремумом на отрезке от **lhs** до **rhs**.
- **Мультимодальная функция** - функция с множеством **локальных** экстремумом на всей области определения.
- Исследование **целевой функции** **f** на монотонность в некоторой окрестности точки **x** - это определение направления возрастания или убывания функции путём сравнения значений **f(x + eps)** и **f(x - eps)**.
- Констатнты золотого сечения:  
   **$$\psi = 0.61803398874989484820$$**  
   **$$\phi = 1.61803398874989484820$$**.
## Требования для оформления кода реализации заданий лабораторных  работ.
### 1. **C++**
   - Лаборатоные работы №1-3 написать в процедурном стиле;
   - Передавать целевую функцию в виде указателя:  
     **```typedef F64(*function_1d)(const F64);```**  
     или для скалярной функции векторного аргумента:  
     **```typedef F64(*function_nd)(const numerics::vector_f64&);```**  
     или использовать:  
     **```std::function<F64(F64)>```**  
     **```std::function<F64(const numerics::vector_f64)>```**;
   - Прототипы функций писать в **".h"** файлах, а реализацию в **".cpp"**;
   - Каждая лабораторная работа реализуется в своей паре  **".h"** и **".cpp"** файлах;
   - Не мешать многомерные методы с одномерными;
   - Функция **"main"** в отдельном файле;
   - Лабораторную работу №4 предпочтительно реализовать используя ООП.
   - Для работы с векторами и матрицами использовать набор классов из **"numerics"** или любую альтернативу на ваш выбор.
### 2. **Java**
   - Лаборатоные работы №1-3 написать в отдельных классах в виде набора статических методов;
   - Передавать целевую функцию в виде интерфейса и использовать **```@FunctionalInterface```**;
   - Каждая лабораторная работа реализуется в отдельном  **".java"** файле;
   - Не мешать многомерные методы с одномерными;
   - Функция **"main"** в отдельном файле;
   - Лабораторную работу №4 предпочтительно реализовать используя ООП.
   - Для работы с векторами и матрицами использовать набор классов из **"mathUtils"** или любую альтернативу на ваш выбор.
### 3. **C#**
   - Лаборатоные работы №1-3 написать в отдельных статических классах в виде набора статических методов;
   - Передавать целевую функцию в виде делегатов, например, использовать   
     **```public delegate double Function1D(double x)```**;
   - Каждая лабораторная работа реализуется в отдельном  **".cs"** файле;
   - Не мешать многомерные методы с одномерными;
   - Функция **"Main"** в отдельном файле;
   - Лабораторную работу №4 предпочтительно реализовать используя ООП;
   - Для работы с векторами и матрицами использовать набор классов из **"MathUtils"** или любую альтернативу на ваш выбор.
### 4. **Python**
   - Каждый метод поиска из лабораторных №1-3 реализовать в отдельных **.py** модулях;
   - Модули лаборатоных работ №1-3 одбъединить в пакеты;
   - Обязательно использовать **аннотации типов Python**;
   - Передавать целевую функцию в виде ссылки, использовать аннотацию  
     **```function: Callable[[float],float]```** или  
     **```function: Callable[[np.ndarray],float]```**;
   - Каждая лабораторная работа реализуется в отдельном пакете, а метод в модуле;
   - Не мешать многомерные методы с одномерными;
   - Точка входа в отдельном **.py** модуле. Точка входа **```if __name__ == "__main__":...```**;
   - Лабораторную работу №4 предпочтительно реализовать используя ООП.
### 5. **Остальные языки**
   - Лаборатоные работы №1-3 написать в процедурном стиле;
   - Передавать целевую функцию в виде фагумента метода поиска;
   - Не мешать многомерные методы с одномерными;
   - Точка входа в программу в отдельном файле;
   - Лабораторную работу №4 предпочтительно реализовать используя ООП.

## Лабораторная работа №1. Методы одномерного поиска нулевого порядка.
1. **Дихотомия** или **метод половинного деления** - алгоритм поиска экстремума функции нулевого порядка, который предполагает поиск экстремума функции путём разделения **промежутка неопределённости** пополам и **исследования функции на монотонность** в центральной точке. Дихотомия считается самым неэффективным алгоритмом с точки зрения вычислительной сложности, так как **измерение целевой функции** осущесствляется дважды за одну итерацию.  
   **Метод поиска можно свести к следующим основным шагам**:
   - Переходим в цикл поиска, который ограничен по точности $$\varepsilon$$ и количеству итераций **maxIterations**;
   - Определяем центральную точку **промежутка неопределённости**: $$x_{c}=\frac{lhs+rhs}{2}$$ и рассчитываем функцию в точках  
     $$x_{l}=x_{c}-\frac{\varepsilon}{10}$$;  
     $$x_{r}=x_{c}+\frac{\varepsilon}{10}$$.  
   - Если $$f\left(x_{l}\right)>f\left(x_{r}\right)$$ преобразуем **промежуток неопределённости** в:
     $$\left[x_{l}, rhs\right]$$;
   - Если $$f\left(x_{l}\right)<f\left(x_{r}\right)$$ преобразуем **промежуток неопределённости** в:
     $$\left[lhs, x_{r}\right]$$;
   - Завершаем работу алгоритма поиска сразу, как только выполнится условие $$|rhs-lhs|<2\varepsilon$$;
   - Возвращаем результат $$\frac{lhs+rhs}{2}$$;
   - Возвращаем количество измерений **целевой функции** и достигнутую точность $$\frac{|rhs-lhs|}{2}$$.
     
2. **Золотое сечение** - алгоритм поиска экстремума функции нулевого порядка, который использует пропорцию золотого сечения для разбиения **промежутка неопределённости**. Имеет меньшую вычислительную сложность, чем **метод дихотомии** при одинаковых условиях (**lhs**, **rhs** и **eps**). Количество **измерений целевой функции** равно количеству итераций метода + 2.  
   **Метод поиска можно свести к следующим основным шагам**:
   - Определяем левую и правую точку разбиения отрезка:  
     $$x_{r}=lhs+\psi\left(rhs-lhs\right)$$;  
     $$x_{l}=rhs-\psi\left(rhs-lhs\right)$$.  
   - В точках $$x_{l},x_{r}$$ делаем **измерения целевой функции**:  
     $$f_{l}=f\left(x_{l}\right)$$;  
     $$f_{r}=f\left(x_{r}\right)$$.  
   - Переходим в цикл поиска, который ограничен по точности $$\varepsilon$$ и количеству итераций **maxIterations**;
   - Если $$f\left(x_{l}\right)>f\left(x_{r}\right)$$ преобразуем **промежуток неопределённости** и остальные параметры:
     $$\left[lhs=x_{l},rhs\right]$$;  
     $$x_{l}=x_{r}$$;  
     $$f_{l}=f_{r}$$;  
     $$x_{r}=lhs+\psi\left(rhs-lhs\right)$$;  
     $$f_{r}=f\left(x_{r}\right)$$.  
   - Если $$f\left(x_{l}\right)<f\left(x_{r}\right)$$ преобразуем **промежуток неопределённости** и остальные параметры:
     $$\left[lhs,rhs=x_{r}\right]$$;  
     $$x_{r}=x_{l}$$;  
     $$f_{r}=f_{l}$$;  
     $$x_{l}=rhs-\psi\left(rhs-lhs\right)$$;  
     $$f_{l}=f\left(x_{l}\right)$$.
   - Завершаем работу алгоритма поиска сразу, как только выполнится условие $$|rhs-lhs|<2\varepsilon$$;
   - Возвращаем результат $$\frac{lhs+rhs}{2}$$;
   - Возвращаем количество измерений **целевой функции** и достигнутую точность $$\frac{|rhs-lhs|}{2}$$.
     
3. Метод поиска **Фибоначчи** - алгоритм поиска экстремума функции нулевого порядка, который использует пропорцию пары чисел фибоначии для разбиения **промежутка неопределённости**. В отличии от двух методов выше позволяет заранее определить количество итераций метода для достижения поставленной точности по формуле $$L_{n}>\frac{rhs - lhs}{\varepsilon}$$, здесь $$n$$ - номер числа фибоначии/количество итераций. **Метод Фибоначчи** работает точнее, чем **золотое сечение** при одинаковом количестве **измерений функций**.чем  Количество **измерений целевой функции** равно количеству итераций метода + 2.  
   **Метод поиска можно свести к следующим основным шагам**:
   - Определяем пару чисел фибоначии $$L_{n-1}, L_{n}$$ и номер числа $$n$$, где $$L_{n}>\frac{rhs - lhs}{\varepsilon}$$;
   - Определяем левую и правую точку разбиения отрезка:  
     $$x_{r}=lhs+\frac{L_{n-1}}{L_{n}}\left(rhs-lhs\right)$$;  
     $$x_{l}=lhs+\frac{L_{n}-L_{n-1}}{L_{n}}\left(rhs-lhs\right)$$.  
   - В точках $$x_{l},x_{r}$$ делаем **измерения целевой функции**:  
     $$f_{l}=f\left(x_{l}\right)$$;  
     $$f_{r}=f\left(x_{r}\right)$$.  
   - Переходим в цикл поиска, который ограничен по количеству итераций **maxIterations**;
   - Делаем сдвиг пары чисел фибоначчи:  
     $$L_{n-1}, L_{n}\rightarrow L_{n-2}, L_{n-1}$$;
   - Если $$f\left(x_{l}\right)>f\left(x_{r}\right)$$ преобразуем **промежуток неопределённости** и остальные параметры:
     $$\left[lhs=x_{l}, rhs\right]$$;  
     $$x_{l}=x_{r}$$;  
     $$f_{l}=f_{r}$$;  
     $$x_{r}=lhs+\frac{L_{n-1}}{L_{n}}\left(rhs-lhs\right))$$;  
     Если $$|x_{r} - x_{l}| < \varDelta$$, то $$x_{r} = x_{r} + \varDelta$$, где $$\varDelta$$ - мера близости двух точек $$x_{r}, x_{l}$$, например, $$\varDelta = \frac{rhs - lhs}{100}$$;  
     $$f_{r}=f\left(x_{r}\right)$$.  
   - Если $$f\left(x_{l}\right)<f\left(x_{r}\right)$$ преобразуем **промежуток неопределённости** и остальные параметры:
     $$\left[lhs, rhs=x_{r}\right]$$;  
     $$x_{r}=x_{l}$$;  
     $$f_{r}=f_{l}$$;  
     $$x_{l}=lhs+\frac{L_{n}-L_{n-1}}{L_{n}}\left(rhs-lhs\right)$$;  
     Если $$|x_{r} - x_{l}| < \varDelta$$, то $$x_{l} = x_{l} - \varDelta$$;  
     $$f_{l}=f\left(x_{l}\right)$$.  
   - Возвращаем результат $$\frac{lhs+rhs}{2}$$;
   - Возвращаем количество измерений **целевой функции** и достигнутую точность $$\frac{|rhs-lhs|}{2}$$.

## Лабораторная работа №2. Методы многомерного поиска нулевого порядка.
Необходимо написать модификации медодов нулевого порядка для поиска по направлению из точки пространства $$\vec{lhs}$$ в точку $$\vec{rhs}$$. Один из этих методов использовать при реализации алгоритма по-координатного спуска.
>[!TIP]
>Для языков программирования **c++**, **java**, **c#** использовать набры классов из:  
>[**"numerics"**](https://github.com/YuryStrelkov/OptimizationMethods/tree/master/C%2B%2B/OptimizationMethods/numerics);  
>[**"mathUtils"**](https://github.com/YuryStrelkov/OptimizationMethods/tree/master/Java/OptimizationMethods/src/main/java/mathUtils);  
>[**"MathUtils"**](https://github.com/YuryStrelkov/OptimizationMethods/tree/master/C%23/OptimizationMethods/MathUtils);  
>или любые другие альтернативы, реализующие вектора, матрицы и операции по работе с ними.

1. **Дихотомия** или **метод половинного деления**  
    Метод поиска половинным делением необходимо модифицировать для поиска по направлению из точки пространства $$\vec{lhs}$$ в точку $$\vec{rhs}$$. Областью поиска будет отрезок из $$\vec{lhs}$$ в точку $$\vec{rhs}$$. Количество **измерений целевой функции** равно количеству итераций метода * 2.
   **Метод поиска можно свести к следующим основным шагам**:
   - Определяем вектор направления по формуле $$\vec{dir}=\frac{\vec{rhs}-\vec{lhs}}{|\vec{rhs}-\vec{lhs}|}\frac{\varepsilon}{10}$$
     ##
     Пример определения вектора направления **C++**:  
     ```numerics::vector_f64 dir = numerics::vector_f64::direction(lhs, rhs) * 0.1 * eps;```  
     Пример определения вектора направления **Java**:  
     ```DoubleVector dir = DoubleVector.direction(lhs, rhs).mul(0.1 * eps);```  
     Пример определения вектора направления **C#**:  
     ```DoubleVector dir = DoubleVector.Direction(lhs, rhs) * 0.1 * eps;```
     ##
   - Переходим в цикл поиска, который ограничен по точности $$\varepsilon$$ и количеству итераций **maxIterations**;
   - Определяем центральную точку **промежутка неопределённости**: $$\vec{x_{c}}=\frac{\vec{lhs}+\vec{rhs}}{2}$$ и рассчитываем функцию в точках:  
     $$\vec{x_{l}}=\vec{x_{c}}-\vec{dir}$$;  
     $$\vec{x_{r}}=\vec{x_{c}}+\vec{dir}$$.  
   - Если $$f\left(\vec{x_{l}}\right)>f\left(\vec{x_{r}}\right)$$ преобразуем **промежуток неопределённости** в:
     $$\left[\vec{x_{l}}, \vec{rhs}\right]$$;
   - Если $$f\left(\vec{x_{l}}\right)<f\left(\vec{x_{r}}\right)$$ преобразуем **промежуток неопределённости** в:
     $$\left[\vec{lhs}, \vec{x_{r}}\right]$$;
   - Завершаем работу алгоритма поиска сразу, как только выполнится условие $$|\vec{rhs}-\vec{lhs}|<2\varepsilon$$;
     ##
     Пример определения расстояния между двумя векторами для **C++**:  
     ```F64 vector_length = numerics::vector_f64::distance(lhs, rhs);```  
     Пример определения расстояния между двумя векторами для **Java**:  
     ```double vectorLength = DoubleVector.distance(lhs, rhs);```  
     Пример определения расстояния между двумя векторами для **C#**:  
     ```double vectorLength = DoubleVector.Distance(lhs, rhs);```
     ##
   - Возвращаем результат $$\frac{\vec{lhs}+\vec{rhs}}{2}$$;
   - Возвращаем количество измерений **целевой функции** и достигнутую точность $$\frac{|\vec{rhs} - \vec{lhs}|}{2}$$.
     
2. **Золотое сечение**  
   Метод поиска золотым сечением необходимо модифицировать для поиска по направлению из точки пространства $$\vec{lhs}$$ в точку $$\vec{rhs}$$. Областью поиска будет отрезок из $$\vec{lhs}$$ в точку $$\vec{rhs}$$. Количество **измерений целевой функции** равно количеству итераций метода + 2.  
   **Метод поиска можно свести к следующим основным шагам**:
   - Определяем левую и правую точку разбиения отрезка:  
     $$\vec{x_{r}}=\vec{lhs}+\psi\left(\vec{rhs}-\vec{lhs}\right)$$;  
     $$\vec{x_{l}}=\vec{rhs}-\psi\left(\vec{rhs}-\vec{lhs}\right)$$.  
   - В точках $$\vec{x_{l}},\vec{x_{r}}$$ делаем **измерения целевой функции**:  
     $$f_{l}=f\left(\vec{x_{l}}\right)$$;  
     $$f_{r}=f\left(\vec{x_{r}}\right)$$.  
   - Переходим в цикл поиска, который ограничен по точности $$\varepsilon$$ и количеству итераций **maxIterations**;
   - Если $$f\left(\vec{x_{l}}\right)>f\left(\vec{x_{r}}\right)$$ преобразуем **промежуток неопределённости** и остальные параметры:  
     $$\left[\vec{lhs}=\vec{x_{l}},\vec{rhs}\right]$$;  
     $$\vec{x_{l}}=\vec{x_{r}}$$,  
     $$\vec{f_{l}}=\vec{f_{r}}$$;  
     $$\vec{x_{r}}=\vec{lhs}+\psi\left(\vec{rhs}-\vec{lhs}\right)$$;  
     $$f_{r}=f\left(\vec{x_{r}}\right)$$.  
   - Если $$f\left(\vec{x_{l}}\right)<f\left(\vec{x_{r}}\right)$$ преобразуем **промежуток неопределённости** и остальные параметры:  
     $$\left[\vec{lhs},\vec{rhs}=\vec{x_{r}}\right]$$;  
     $$\vec{x_{r}}=\vec{x_{l}}$$;  
     $$\vec{f_{r}}=\vec{f_{l}}$$;  
     $$\vec{x_{l}}=\vec{rhs}-\psi\left(\vec{rhs}-\vec{lhs}\right)$$;  
     $$f_{l}=f\left(\vec{x_{l}}\right)$$.
   - Завершаем работу алгоритма поиска сразу, как только выполнится условие $$|\vec{rhs}-\vec{lhs}|<2\varepsilon$$;
   - Возвращаем результат $$\frac{\vec{lhs}+\vec{rhs}}{2}$$;
   - Возвращаем количество измерений **целевой функции** и достигнутую точность $$\frac{|\vec{rhs} - \vec{lhs}|}{2}$$.
     
3. **Метод поиска Фибоначчи**  
   Метод поиска Фибоначчи необходимо модифицировать для поиска по направлению из точки пространства $$\vec{lhs}$$ в точку $$\vec{rhs}$$. Областью поиска будет отрезок из $$\vec{lhs}$$ в точку $$\vec{rhs}$$. Количество итераций метода для достижения поставленной точности можно определить по формуле $$L_{n}>\frac{|\vec{rhs} - \vec{lhs}|}{\varepsilon}$$, здесь $$n$$ - номер числа фибоначии/количество итераций.
   **Метод Фибоначчи** работает точнее, чем **золотое сечение** при одинаковом количестве **измерений функций**.чем  Количество **измерений целевой функции** равно количеству итераций метода + 2.  
   **Метод поиска можно свести к следующим основным шагам**:
   - Определяем пару чисел фибоначии $$L_{n-1}, L_{n}$$ и номер числа $$n$$, где $$L_{n}>\frac{|\vec{rhs}-\vec{lhs}|}{\varepsilon}$$;
   - Определяем левую и правую точку разбиения отрезка:  
     $$x_{r}=\vec{lhs}+\frac{L_{n-1}}{L_{n}}\left(\vec{rhs} - \vec{lhs}\right)$$;  
     $$x_{l}=\vec{lhs}+\frac{L_{n}-L_{n-1}}{L_{n}}\left(\vec{rhs} - \vec{lhs}\right)$$.  
   - В точках $$\vec{x_{l}},\vec{x_{r}}$$ делаем **измерения целевой функции**:  
     $$f_{l}=f\left(\vec{x_{l}}\right)$$;  
     $$f_{r}=f\left(\vec{x_{r}}\right)$$.  
   - Переходим в цикл поиска, который ограничен по количеству итераций **maxIterations**;
   - Делаем сдвиг пары чисел фибоначчи: $$L_{n-1}, L_{n}\rightarrow L_{n-2}, L_{n-1}$$;
   - Если $$f\left(\vec{x_{l}}\right)>f\left(\vec{x_{r}}\right)$$ преобразуем **промежуток неопределённости** и остальные параметры:  
     $$\left[\vec{lhs}=\vec{x_{l}}, \vec{rhs}\right]$$;  
     $$\vec{x_{l}}=\vec{x_{r}}$$;  
     $$f_{l}=f_{r}$$;  
     $$\vec{x_{r}}=\vec{lhs}+\frac{L_{n-1}}{L_{n}}\left(\vec{rhs} - \vec{lhs}\right)$$;  
     Если $$|\vec(x_{r}) - \vec(x_{l})| < \varDelta$$, то:  
     $$\vec{x_{r}} = \vec{x_{r}} + \frac{\vec{rhs} - \vec{lhs}}{|\vec{rhs} - \vec{lhs}|}\varDelta$$, где $$\varDelta$$ - мера близости двух точек $$\vec{x_{r}}, \vec{x_{l}}$$,
     например, $$\varDelta = \frac{|\vec{rhs} - \vec{lhs}|}{100}$$;  
     $$f_{r}=f\left(\vec{x_{r}}\right)$$.
   - Если $$f\left(\vec{x_{l}}\right)<f\left(\vec{x_{r}}\right)$$ преобразуем **промежуток неопределённости** и остальные параметры:  
     $$\left[\vec{lhs}, \vec{rhs}=\vec{x_{r}}\right]$$;  
     $$\vec{x_{r}}=\vec{x_{l}}$$;  
     $$f_{r}=f_{l}$$;  
     $$\vec{x_{l}}=\vec{lhs}+\frac{L_{n}-L_{n-1}}{L_{n}}\left(\vec{rhs} - \vec{lhs}\right)$$;  
     Если $$|\vec(x_{r}) - \vec(x_{l})| < \varDelta$$, то:  
     $$\vec{x_{l}} = \vec{x_{l}} + \frac{\vec{rhs} - \vec{lhs}}{|\vec{rhs} - \vec{lhs}|}\varDelta$$;  
     $$f_{l}=f\left(\vec{x_{l}}\right)$$.  
   - Возвращаем результат $$\frac{\vec{lhs}+\vec{rhs}}{2}$$.
   - Возвращаем количество измерений **целевой функции** и достигнутую точность $$\frac{|\vec{rhs} - \vec{lhs}|}{2}$$.
     
4. **Метод покоординатного спуска**  
   Метод покоординатного спуска позволяет обнаружить эстремум **целевой функции** путём последовательного поиска по направлениям орт пространства, которому принадлежит аргумент функции. Алгоритму необходимо указать точку из которой мы начинаем поис $$\vec{x_{0}}$$, количество итераций, точность $$\varepsilon$$ и длину шага $$\lambda$$ поиска вдоль одного орта.  
   **Метод поиска можно свести к следующим основным шагам**:
   - Исследуем **целевую функцию** на монотонность в окрестности точки $$\vec{x_{0}}$$ водоль орта $$\vec{e_{0}}$$  
     $$\vec{x_{l}}=\vec{x_{0}}-\varepsilon\vec{e_{0}}$$;  
     $$\vec{x_{r}}=\vec{x_{0}}+\varepsilon\vec{e_{0}}$$.  
   - Если $$f\left(\vec{x_{l}}\right)>f\left(\vec{x_{r}}\right)$$ преобразуем **промежуток неопределённости** в:
     $$\left[x_{0}, x_{0} + \lambda\vec{e_{0}}\right]$$;
   - Если $$f\left(\vec{x_{l}}\right)<f\left(\vec{x_{r}}\right)$$ преобразуем **промежуток неопределённости** в:
     $$\left[x_{0}, x_{0} - \lambda\vec{e_{0}}\right]$$;
   - Определяем мнимум **целевой фунции** на **полученном выше промежутке неопределённости** (можно исполльзовать любую из трёх модификаций методов нулевого порядка, написаннную ранее):  
     $$\vec{x_{1}} = argmin\left(f\left(\left[\vec{x_{0}},\vec{x_{0}}\pm\lambda\vec{e_{0}}\right]\right)\right)$$, после чего повторяем те же действия для $$\vec{e_{1}}$$.
   - Обобщая итерационную последовательность моно прийти к следующему описанию перехода от $$i$$ шага к $$i+1$$ шагу:  
     Исследуем на монотонность точку $$\vec{x_{i}}$$ ( $$\vec{x_{i}} \in\mathbb{R}^{n}$$)  водоль орта $$\vec{e_{\text{rem}\left(i,n\right)}}$$, определяя тем самым $$\lambda_{i}$$:  
$$\lambda_{i}=\ \ \ \lambda,\text{if}\ \ \ f\left(\vec{x_{i}}+\varepsilon\vec{e_{\text{rem}\left(i,n\right)}}\right)>f\left(\vec{x_{i}}+\varepsilon\vec{e_{\text{rem}\left(i,n\right)}}\right)$$,  
$$\lambda_{i}=-\lambda,\text{if}\ \ \ f\left(\vec{x_{i}}+\varepsilon\vec{e_{\text{rem}\left(i,n\right)}}\right)<f\left(\vec{x_{i}}+\varepsilon\vec{e_{\text{rem}\left(i,n\right)}}\right)$$.  
 Определяем мнимум **целевой фунции** на **полученном выше промежутке неопределённости** (можно исполльзовать любую из трёх модификаций методов нулевого порядка, написаннную ранее):  
     $$\vec{x_{i+1}} = argmin\left(f\left(\left[\vec{x_{i}},\vec{x_{i}}\pm\lambda\vec{e_{\text{rem}\left(i,n\right)}}\right]\right)\right)$$.
   - Завершаем работу алгоритма поиска сразу, как только выполнится условие $$|\vec{x_{i+1}}-\vec{x_{i}}|<2\varepsilon$$;
   - Возвращаем результат $$\vec{x_{i + 1}}$$.
     
## Лабораторная работа №3. Методы многомерного поиска высших порядков. Функции штрафа.
1. **Градиентный спуск спуск**  
   **Градиентный спуск спуск** представляет собой итерационный алгоритм, который можно предстваить в виде следующей рекурентной последовательности: $$\vec{x_{i+1}}=\vec{x_{i}}+\lambda\vec{\nabla}\bullet f\left(\vec{x_{i}}\right)$$, где $$\lambda=\text{argmin}\left(f\left(\left[\vec{x_{i}},\vec{x_{i}}+\lambda\vec{\nabla}\bullet f\left(\vec{x_{i}}\right)\right]\right)\right)$$, здесь $$\vec{\nabla}\bullet f\left(\vec{x}\right)$$ - вектор градиента скалярной функции вектороного аргумента, $$i$$-ый элемент которого: $$\frac{\partial f\left(\vec{x}\right)}{\partial x_{i}}$$. Для языков программирования: **C++**, **Java**, **C#**, реализован рассчёт градиента функции в точке. Производные выражаются через центральный разностный аналог $$\frac{df\left(x\right)}{dx}=\frac{f\left(x+dx\right)-f\left(x-dx\right)}{2dx}$$ с $$dx=10^{-6}$$.
     ##
     Пример определения градиента функции в точке для **C++**:  
     ```numerics::vector_f64 gradient = numerics::vector_f64::gradient(function, point);```  
     Пример определения градиента функции в точке для **Java**:  
     ```DoubleVector gradient = DoubleVector.gradient(function, point);```  
     Пример определения градиента функции в точке для **C#**:  
     ```DoubleVector gradient = DoubleVector.Gradient(function, point);```
     ##
   Для упрощения реализации метода, допускается использовать $$\lambda = 1.0$$.  
   **Метод поиска можно свести к следующим основным шагам**:
   - Выбираем начальную точку $$\vec{x_{0}}$$ и начальную длину шага $$\lambda$$ вдоль градиента;
   - Опеределяем переход из точки $$\vec{x_{i}}$$ в точку $$\vec{x_{i+1}}$$:  
   - $$\vec{x_{i+1}}=\vec{x_{i}}+\lambda\vec{\nabla}\bullet f\left(\vec{x_{i}}\right)$$;
   - Определяем значение параметра $$\lambda$$, решая задачу:  
     $$\lambda=\text{argmin}\left(f\left(\left[\vec{x_{i}},\vec{x_{i}}+\lambda\vec{\nabla}\bullet f\left(\vec{x_{i}}\right)\right]\right)\right)$$;
   - Завершаем работу алгоритма поиска сразу, как только выполнится условие $$|\vec{x_{i+1}}-\vec{x_{i}}|<2\varepsilon$$;
   - Возвращаем результат $$\vec{x_{i + 1}}$$.
     
2. **Метод сопряжённых градиентов**  
**Метод сопряжённых градиентов** представляет собой итерационный алгоритм, который можно предстваить в виде следующей рекурентной последовательности, для которой на первом шаге мы определяем:  
$$\vec{S_{0}}=-\left(\vec{\nabla}\bullet f\left(\vec{x_{0}}\right)\right)$$;
Двигаемся в направлении градиента:  
$$\vec{x_{1}}=\vec{x_{0}}+\lambda_{1}\vec{S_{0}}$$;  
$$\lambda=\text{argmin}\left(f\left[\vec{x_{i}},\vec{x_{0}}+\lambda_{1}\vec{S_{0}}\right]\right)$$;  
Следующий шаг определим в виде:  
$$\vec{S_{1}}=-\left(\vec{\nabla}\bullet f\left(\vec{x_{1}}\right)\right)+\omega_{1}\vec{S_{0}}.$$
Обобщая можно записать последовательность в виде:  
$$\vec{S_{i}}=-\left(\vec{\nabla}\bullet f\left(\vec{x_{i}}\right)\right)+\omega_{i}\vec{S_{i-1}}=-\left(\vec{\nabla}\bullet f\left(\vec{x_{i}}\right)\right)+\frac{\left\Vert \vec{\nabla}\bullet f\left(\vec{x_{i}}\right)\right\Vert ^{2}}{\left\Vert \vec{\nabla}\bullet f\left(\vec{x_{i-1}}\right)\right\Vert ^{2}}\vec{S_{i-1}};$$  
$$\vec{x_{i+1}}=\vec{x_{i}}+\lambda_{i+1}\vec{S_{i}}.$$  
**Метод поиска можно свести к следующим основным шагам**:
   - Выбираем начальную точку $$\vec{x_{0}}$$;
   - Определяем вектор $$\vec{S_{0}}$$:
     $$\vec{S_{0}}=-\left(\vec{\nabla}\bullet f\left(\vec{x_{0}}\right)\right)$$;
   - Переходим к новой точке: $$\vec{x_{1}}$$:  
     $$\vec{x_{1}}=\vec{x_{0}}+\lambda_{1}\vec{S_{0}}$$;
   - Продолжаем итерации по формулам:  
     $$\vec{S_{i}}=-\left(\vec{\nabla}\bullet f\left(\vec{x_{i}}\right)\right)+\omega_{i}\vec{S_{i-1}}=-\left(\vec{\nabla}\bullet f\left(\vec{x_{i}}\right)\right)+\frac{\left\Vert \vec{\nabla}\bullet f\left(\vec{x_{i}}\right)\right\Vert ^{2}}{\left\Vert \vec{\nabla}\bullet f\left(\vec{x_{i-1}}\right)\right\Vert ^{2}}\vec{S_{i-1}};$$  
$$\vec{x_{i+1}}=\vec{x_{i}}+\lambda_{i+1}\vec{S_{i}}.$$  
   - Завершаем работу алгоритма поиска сразу, как только выполнится условие $$|\vec{x_{i+1}}-\vec{x_{i}}|<2\varepsilon$$;
   - Возвращаем результат $$\vec{x_{i + 1}}$$.
     
3. **Метод Ньютона-Рафсона**  
   **Метод Ньютона-Рафсона** представляет собой итерационный алгоритм, который можно предстваить в виде следующей рекурентной последовательности:  
   $$\vec{x_{i+1}}=\vec{x_{i}}-H^{-1}\left(\vec{x_{i}}\right)\vec{\nabla}\bullet f\left(\vec{x_{i}}\right)$$,  
   здесь $$H\left(\vec{x_{i}}\right)$$ - матрица Гёссе в точке $$\vec{x_{i}}$$,  
   матричный элемент которой $$h_{i, j}\left(\vec{x_{i}}\right)$$ равен $$h_{i, j}\left(\vec{x}\right) = \frac{\partial^2 f\left(\vec{x}\right)}{\partial x_{i}\partial x_{j}}$$,  
   а так же $$H^{T}\left(\vec{x}\right) = H\left(\vec{x}\right)$$.  
   Для языков программирования: **C++**, **Java**, **C#**, реализован рассчёт матрицы Гессе функции в точке. Вторые частные производные выражаются через центральный разностный аналог:  
   $$\frac{df\left(x\right)}{dx}=\frac{f\left(x+dx\right)-f\left(x-dx\right)}{2dx}$$ с $$dx=10^{-6}$$.  
     Пример определения матрицы Гессе функции в точке для **C++**:
     ##
     ```numerics::matrix_f64 hessian = numerics::matrix_f64::hessian(function, point);```  
     Пример определения матрицы Гессе функции в точке для **Java**:  
     ```DoubleMatrix hessian = DoubleMatrix.hessian(function, point);```  
     Пример определения матрицы Гессе функции в точке для **C#**:  
     ```DoubleMatrix hessian = DoubleMatrix.Hessian(function, point);```
     ##
   **Метод поиска можно свести к следующим основным шагам**:
   - Выбираем начальную точку $$\vec{x_{0}}$$;
   - Опеределяем переход из точки $$\vec{x_{i}}$$ в точку $$\vec{x_{i+1}}$$:  
   $$\vec{x_{i+1}}=\vec{x_{i}}-H^{-1}\left(\vec{x_{i}}\right)\vec{\nabla}\bullet f\left(\vec{x_{i}}\right)$$.
   - Завершаем работу алгоритма поиска сразу, как только выполнится условие $$|\vec{x_{i+1}}-\vec{x_{i}}|<2\varepsilon$$;
   - Возвращаем результат $$\vec{x_{i + 1}}$$.
     
5. **Функции внешнего и внутреннего штрафа**  
   Основная идея заключается в том, что мы преобразуем исходную задачу с набором условий, как равенств так и неравенств к безусловной задчи оптимизации. Например для задачи:  
   $$extr\left(f\left(\vec{x}\right)\right),x\in R^{n}$$  
   с набором некоторых ограничениями:  
   $$\varphi_{i}\left(\vec{x}\right)\leq0,i=1:m$$  
   можно перейти к последовательности задач по поиску экстремума без ограничений:  
   $$F\left(\vec{x}\right)=f\left(\vec{x}\right)+P\left(\vec{x}\right)=f\left(\vec{x}\right)+\sum_{i}^{m}p_{i}\left(\vec{x}\right)$$,  
   где слагаемое $$p_{i}\left(\vec{x}\right)$$ является штрафной функцией, которую мы можем представить, например, в следующем виде **для функции внутреннего штрафа**:  
$$P\left(\vec{x}\right)=\sum_{i}^{m}p_{i}\left(\vec{x}\right)=\lambda\sum_{i}^{m}\frac{1}{\varphi_{i}\left(\vec{x}\right)}$$,  
где $$\lambda$$ некоторая положительная величина. Тогда, при переходе от задачи с условиями к безусловной, целевая функция принимает вид:  
$$F\left(\vec{x}\right)=f\left(\vec{x}\right)+\lambda\sum_{j=1}^{m}\frac{1}{\varphi_{j}\left(\vec{x}\right)}=f\left(\vec{x}\right)+\varPhi\left(\lambda,\vec{x}\right)$$.

**Внутренний штраф**  
**Метод применяется для решения задач оптимизации с ограничениями в виде неравенств**. Идея внутреннего штрафа предполагает, что значения штрафных функций начинают неограниченно возрастать по мере приближения к границе допустимой области $$G$$. Функция внутреннего штрафа $$\varPhi\left(\lambda,\vec{x}\right)$$ должна удовлетворять следующим условиям:  
   - Быть равной нулю или меньше точности $$\varepsilon$$ внутри области поиска, а именнно: $$0,\text{if},\vec{x}\in G;$$
   - Неограниченно возрастать по мере приближения к границе области поиска: $$\infty,\text{if},\vec{x}\notin G,\lambda\rightarrow0;$$
   - Иметь разрыв на границе области поиска: $$\infty,\text{if},\vec{x}\in G,\vec{x}\rightarrow\partial G.$$

**Простейшими примерами функций внутреннего штрафа** могут быть, например, следующие функции:  
$$\varPhi\left(\lambda,\vec{x}\right)=\lambda\sum_{j}^{m}\frac{1}{\varphi_{j}\left(\vec{x}\right)}$$;  
$$\varPhi\left(\lambda,\vec{x}\right)=-\lambda\sum_{j}^{m}ln\left(\varphi_{j}\left(\vec{x}\right)\right)$$;

**Алгоритм метода внутренних штрафных можно свести к следующим основным шагам**:
   - В качестве начальной точки $$x_{0}$$ выбираем точку принадлежащую области $$G$$ и достаточно удалённую от ее границ;
   - выбираем необходимую точность $$\varepsilon$$;
   - параметр $$\lambda$$ выбирается в виде убывающей последовательности $$\lambda_{j}\rightarrow_{j\rightarrow\infty}0$$(Для упрощения реализции можно принять $$\lambda$$ равной единице);
   - Легко видеть, что задача безусловной минимизации для задачи с ограничениям запишется в следующем виде:  
     $$\vec{x_{min}}=\underset{\vec{x}}{argmin}\left(f\left(\vec{x}\right)+\sum_{j}^{m}\frac{1}{\varphi_{j}\left(\vec{x}\right)}\right)$$;  
     так же можно использовать варианты с максимумом или минимумом:  
     $$\vec{x_{min}}=\underset{\vec{x}}{argmin}\left(f\left(\vec{x}\right)+MAX_{j}^{m}\frac{1}{\varphi_{j}\left(\vec{x}\right)}\right)$$;  
     $$\vec{x_{min}}=\underset{\vec{x}}{argmin}\left(f\left(\vec{x}\right)+MIN_{j}^{m}\frac{1}{\varphi_{j}\left(\vec{x}\right)}\right)$$;  
   - Для задачи безусловной оптимизации выполняем поиск любым методом многомерного поиска;  
   - Завершаем работу алгоритма поиска сразу, как только выполнится условие $$|\vec{x_{i+1}}-\vec{x_{i}}|<2\varepsilon$$.
     
**Внешний штраф**  
**Метод применяется для рещения задач с ограничениями как в виде неравенств, так и равенств**. Функции штрафа выбираются исходя из соображений о том, что внутри допустимой области и на ее границах их значения равны нулю, а вне допустимой области $$G$$ возрастают - чем больше, тем сильнее нарушаются ограничения. Таким образом штрафуется удаление от допустимой области. Функция внешнего штрафа $$\varPhi\left(\lambda,\vec{x}\right)$$  должна удовлетворять следующим условиям:  
 - Быть равной нулю или меньше точности $$\varepsilon$$ внутри области поиска, а именнно: $$0,\text{if},\vec{x}\in G;$$
 - Неограниченно возрастать по мере оталения от границе области для любой точки $$\vec{x}$$ не принадлежащей области поиска: $$\infty,\text{if},\vec{x}\notin G,\lambda\rightarrow0;$$  
**Поиск минимума можно начать из любой точки, как внутри области, так и вне**. Поэтому траектория спуска может частично лежать вне допустимой области. Если минимум целевой функции находится на границе, то траектория будет находится полностью снаружи.
Основная идея метода поиска экстремума функции с помощью внешнего штрафа заключается модификации исходной целевой функции:
$$extr\left(f\left(\vec{x}\right)\right),x\in R^{n}$$  
набором внешних штрафов следующего вида для неравенств и равенств:  
$$g_{i}\left(\vec{x}\right)<0, i=1:m$$;  
$$h_{i}\left(\vec{x}\right)=0, i=1:k$$.  
Штрафные функции объединяются в функцию:  
$$\varPhi\left(\lambda,\vec{x}\right)=\lambda_{k}\left(\sum_{i}^{m}\varphi_{i}\left(g_{i}\left(\vec{x}\right)\right)+\sum_{j=1}^{k}\psi_{j}\left(h_{j}\left(\vec{x}\right)\right)\right)$$  
после чего получем задачу безусловной оптимизации вида:  
$$F\left(\lambda,\vec{x}\right)=f\left(\vec{x}\right)+\varPhi\left(\lambda,\vec{x}\right)=f\left(\vec{x}\right)+\lambda_{k}\left(\sum_{i}^{m}\varphi_{i}\left(g_{i}\left(\vec{x}\right)\right)+\sum_{j}^{k}\psi_{j}\left(h_{j}\left(\vec{x}\right)\right)\right)$$

**Обобщённый вид функций внешнего штрафа**:  
$$\varPhi\left(\lambda,\vec{x}\right)=\lambda_{k}\left(\sum_{i}^{m}\left[\text{max}\left(0,g_{i}\left(\vec{x}\right)\right)\right]^{2}+\sum_{j}^{k}\left[h_{j}\left(\vec{x}\right)\right]^{2}\right)$$.

**Алгоритм метода внешних штрафных можно свести к следующим основным шагам**:
 - В качестве начальной точки $$x_{0}$$ выбираем точку принадлежащую области $$G$$ и достаточно удалённую от ее границ;
 - выбираем необходимую точность $$\varepsilon$$;
 - параметр $$\lambda$$ выбирается в виде убывающей последовательности $$\lambda_{j}\rightarrow_{j\rightarrow\infty}0$$(Для упрощения реализции можно принять $$\lambda$$ равной единице);
 - Легко видеть, что задача безусловной минимизации для задачи с ограничениям запишется в следующем виде:  
$$\vec{x_{min}}=\underset{\vec{x}}{argmin}\left(f\left(\vec{x}\right)+\left(\sum_{i}^{m}\varphi_{i}\left(g_{i}\left(\vec{x}\right)\right)+\sum_{j}^{k}\psi_{j}\left(h_{j}\left(\vec{x}\right)\right)\right)\right)$$;
 - Для задачи безусловной оптимизации выполняем поиск любым методом сногомерного поиска;  
 - Завершаем работу алгоритма поиска сразу, как только выполнится условие $$|\vec{x_{i+1}}-\vec{x_{i}}|<2\varepsilon$$.

## Лабораторная работа №4. Задача линейного программирования

OptimizationMethods

OptimizationMethods 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

OptimizationMethods

OptimizationMethods 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Download README