x ≤ ˆ dla ka dego Punkt xˆ nazywamy minimum globalnym funkcji f
Transkrypt
x ≤ ˆ dla ka dego Punkt xˆ nazywamy minimum globalnym funkcji f
Niezawodność i Optymalizacja Wykład 1: Zasady formułowania problemów optymalizacyjnych i ich klasyfikacja ZASADY FORMUŁOWANIA PROBLEMÓW OPTYMALIZACYJNYCH I ICH KLASYFIKACJA Dowolny problem optymalizacyjny można przedstawić w następujący sposób: Należy zrealizować określone zadanie w sposób najlepszy w sensie określonej miary jakości realizacji tego zadania. Zwykle żąda się również, by realizacja zadania uwzględniała określone ograniczenia, które mogą wynikać zarówno z właściwości systemu realizującego zadanie, jak też z wymagań stawianych systemowi przez środowisko zewnętrzne. Formułując problem optymalizacyjny zawsze należy uwzględnić: 1. zadania stawiane systemowi, 2. miarę jakości realizacji zadań (kryterium), 3. zespół ograniczeń krępujących wybór sposobu realizacji zadania, wynikających zarówno z właściwości systemu, jak i z wymagań stawianych systemowi przez środowisko zewnętrzne. Można to zapisać w następujący sposób: Opt f ( x) x∈A , (1.1) gdzie: f - miara jakości realizacji zadań nazywana , w zależności od postaci sformułowania matematycznego, funkcją lub funkcjonałem celu ( f : X → ℜ1 ), x - wektor decyzyjny, przyjmujący wartości w przestrzeni X, za pomocą którego można kształtować realizację zadania A - zbiór rozwiązań dopuszczalnych ( A ⊂ X ), dla wektora decyzyjnego x, określony przez: • zadania stawiane systemowi, • zespół ograniczeń na wektor x wynikający zarówno z właściwości systemu realizującego zadania, jak i z wymagań stawianych systemowi przez otoczenie. Optymalizacja problemu może polegać na maksymalizacji lub minimalizacji funkcji celu (f). Zależy to od sensu, jaki przyjmuje f w rozpatrywanym problemie. Aby uzyskać jednoznaczność sformułowań matematycznych, w dalszej części wykładów będą rozważane wyłącznie problemy minimalizacji wartości f. W tym miejscu należy podkreślić fakt, iż maksymalizacja wartości f jest równoważna minimalizacji wartości –f. min f ( x) = − max (− f ( x)) (1.2) Zadanie optymalizacji polega na znalezieniu xˆ ∈ A takiego, że f(xˆ ) ≤ f(x) dla każdego x ∈ A . Punkt x̂ nazywamy minimum globalnym funkcji f na zbiorze A. Jeśli X = ℜ N , tzn. wartości zmiennej decyzyjnej są wektorami n - wymiarowymi to zadanie optymalizacji nosi nazwę zadania programowania matematycznego. Zbiór rozwiązań dopuszczalnych A określa się zwykle jako zbiór punktów spełniających zadany układ nierówności i równań: g1 ( x) = 0, g 2 ( x) = 0, ..., g I ( x) = 0, h1 ( x) ≤ 0, h2 ( x) ≤ 0, ..., hJ ( x) ≤ 0. Niezawodność i Optymalizacja Wykład 1: Zasady formułowania problemów optymalizacyjnych i ich klasyfikacja Warunki te noszą nazwę ograniczeń równościowych i nierównościowych, zaś funkcje g i :ℜ N → ℜ1 , i = 1,..., I oraz h j :ℜ N → ℜ1 , j = 1,..., J nazywamy odpowiednio funkcjami ograniczeń równościowych i nierównościowych. Jeśli warunki ograniczające nie występują, to zadanie nosi nazwę zadania bez ograniczeń, w przeciwnym przypadku jest ono zadaniem z ograniczeniami. W określeniu zbioru A mogą wystąpić inne warunki ograniczające dopuszczalny zakres zmienności x, trudne do sformułowania w postaci nierówności i równań. Jednym z często występujących warunków tego typu jest wymaganie, aby współrzędne wektora x przybierały wartości całkowite. W takim wypadku mamy do czynienia z zadaniem programowania całkowitoliczbowego (dyskretnego). Jeśli wszystkie funkcje definiujące zadanie są afiniczne (mają postać sumy funkcji liniowej i stałej), to zadanie nosi nazwę zadania programowania liniowego (ZPL), w przeciwnym przypadku jest ono zadaniem programowania nieliniowego (ZPN). Jeśli wszystkie funkcje ograniczeń są afiniczne a funkcja celu - kwadratowa, to mamy do czynienia z zadaniem programowania kwadratowego. Jeśli przynajmniej jedna z funkcji definiujących zadanie ma postać wartości oczekiwanej względem pewnej miary probabilistycznej opisującej rozkład prawdopodobieństwa, z jakim przyjmują swe wartości nieznane dokładnie parametry zadania, to mamy do czynienia z zadaniem programowania stochastycznego. Wektor decyzyjny może zależeć od czasu x = x(t). Zachowanie x(t) definiują wtedy, np. odpowiednie równania różniczkowe, np.: dx = ζ ( x (t )) , dt (1.3) uzupełnione często warunkami początkowymi x (t 0 ) = x 0 , (1.4) x (t 0 + T ) = xT , (1.5) lub warunkami końcowymi lub warunkami (1.4) i (1.5). W takim przypadku mamy do czynienia z tzw. zadaniem optymalizacji dynamicznej. Można go zapisać w następujący sposób: min f ( x (t ) ) x (t ) ∈ A , (1.6) t ∈ [t 0 , t 0 + T ] gdzie: f(x(t)) t0 T [t0, t0 + T] - funkcjonał celu, chwila początkowa, horyzont czasowy optymalizacji, przedział czasowy optymalizacji, dla tego przedziału czasowego określone są zadania dla systemu oraz obliczana jest wartość funkcjonału celu. Niezawodność i Optymalizacja Wykład 1: Zasady formułowania problemów optymalizacyjnych i ich klasyfikacja Jeśli wektor x nie zależy od czasu mamy do czynienia z zadaniem optymalizacji statycznej. Przykład 1 Niech dany będzie system elektroenergetyczny składający się z 2 cieplnych bloków energetycznych zasilających w energie elektryczna odbiór skupiony poprzez linie bez strat (rys. 1.1). System powinien pokrywać aktualne zapotrzebowanie mocy przez odbiór P0, przy czym koszt wytwarzania energii powinien być minimalny. P1 B1 Blok 1 B2 P0 P2 Blok 2 Rys. 1.1. Schemat systemu Rozwiązanie Zadanie dla systemu elektroenergetycznego: Moc wytworzona w systemie P powinna być równa mocy odbiorów P0, czyli P = P0 , (1.7) Miara jakości realizacji zadania: Koszt wytwarzania energii elektrycznej w systemie. Załóżmy, że właściwości systemu opisują się następującymi zależnościami: a) bilans mocy elektrycznej wytwarzanej w systemie: P = P1 + P2 , (1.8) gdzie: P1, P2 – moc wytwarzana przez blok nr 1, nr 2. b) Charakterystyka: natężenia dopływu paliwa Bi do i-tego bloku w funkcji jego mocy Pi: Bi = Bi ( Pi ) , i = 1,2 , (1.9) c) Ograniczenia na moc Pi wytwarzaną w i-tym bloku: Pi min ≤ Pi ≤ Pi max , i = 1,2 , (1.10) Mamy więc do czynienia z problemem optymalizacyjnym, który można przedstawić w następujący sposób: min f ( x) x∈ A , (1.11) gdzie funkcja celu f jest natężeniem strumienia kosztów wytwarzania mocy w systemie. Wektor decyzyjny x będzie się składał w tym przypadku z P1, P2, gdyż na realizację postawionego systemowi zadania mamy w pływ jedynie poprzez wybór mocy elektrycznej wytwarzanej w poszczególnych blokach. Zbiór rozwiązań dopuszczalnych dla x będzie określony przez zadanie stawiane systemowi (1.7) oraz przez ograniczenia (1.10). Niezawodność i Optymalizacja Wykład 1: Zasady formułowania problemów optymalizacyjnych i ich klasyfikacja Przyjmując, że brane są pod uwagę jedynie koszty paliwa o cenie jednostkowej Ci, 1=1,2, model matematyczny problemu optymalizacyjnego będzie miał następującą postać: • funkcja celu: 2 f = ∑ Ci Bi ( Pi ) , (1.12) i =1 • ograniczenia: 2 ∑P = P i 0 , (1.13) i =1 Pi min ≤ Pi ≤ Pi max , i = 1,2 . (1.14) W rezultacie, przy przyjętych założeniach, otrzymaliśmy zdeterminowany problem optymalizacji statycznej, który można rozwiązać na modelu (1.12) do (1.14) systemu. Załóżmy, że dla i=1, 2, mamy: Bi ( Pi ) = 0.5 + Pi + 0.1Pi 2 P0 = 1.5 Pi min = 0.4 , Pi max = 1.0 Ci = 1 wtedy f = 1 + P1 + P2 + 0.1P12 + 0.1P22 , (1.15) P1 + P2 = 1.5 , (1.16) 0.4 ≤ Pi ≤ 1 , i = 1,2 . (1.17)