dr inż. Agnieszka Bołtuć, pokój 304, e
Transkrypt
dr inż. Agnieszka Bołtuć, pokój 304, e
2010‐03‐09 ORGANIZACJA ZAJĘĆ OPTYMALIZACJA GLOBALNA | Wykładowca – dr inż. Agnieszka Bołtuć, pokój 304, e-mail: [email protected] | Liczba godzin i forma zajęć: 15 godzin wykładu oraz 15 g godzin laboratorium i 15 g godzin p projektu j | Konsultacje: poniedziałki 9:30-11:00, pokój 304 | Wykłady w wersji elektronicznej: gold.uwb.edu.pl/~aboltuc | Forma zaliczenia wykładu: zaliczenie pisemne Wykład 1 dr inż. Agnieszka Bołtuć PLAN WYKŁADU WSTĘP Wstęp Rodzaje zadań | Własności funkcji celu | Ograniczenia funkcji celu | Liczba wymiarów a złożoność | Ocena algorytmów optymalizacji i koszt symulacji | Optymalizacja, ściśle rozumiana, dotyczy poszukiwania najlepszego rozwiązania. | W rzeczywistości i t ś i chodzi h d i często t o znalezienie l i i rozwiązania lepszego niż znane dotychczas. | optimus (łacina) - najlepszy | | 1 2010‐03‐09 GDZIE STOSOWANA SFORMUŁOWANIE ZADANIA OPTYMALIZACJI w oprogramowaniu wspomagającym projektowanie (CAD) - w procesie projektowania kształtu komory silnika odrzutowego, w mikroelektronice do projektowania rozłożenia elementów na płytkach, w radiotechnice do p projektowania j anten,, | w dziedzinach, będących domeną badań operacyjnych, na przykład w optymalizacji kolejności dostarczania przesyłek, w harmonogramowaniu zadań, w rozkładach jazdy, | we wspomaganiu nawigacji, wyznaczaniu tras, podejmowaniu decyzji. | | Jest dana metryczna przestrzeń poszukiwań Ω = (U , ⋅ ) , gdzie U jest zbiorem wartości, a ⋅ metryką, oraz podzbiór D ⊆ U , | Dana jest także funkcja celu (zwana wskaźnikiem jakości) f (x) :U → R , | Zadanie optymalizacji polega iza znalezieniu takiego x* ∈ D , że x* = argmin f (x) x∈D SPOSOBY ROZWIĄZYWANIA | | analityczne – możliwe tylko w przypadku klasy funkcji przedstawionych analitycznie, rzadko stosowane ze względu na trudności, numeryczne –przeszukiwanie przeszukiwanie zbioru dopuszczalnego w poszukiwaniu jak najlepszego punktu | klasyczne metody optymalizacji, | metody optymalizacji globalnej. RODZAJE ZADAŃ w zależności od przestrzeni poszukiwań | optymalizacja parametryczna - zakłada się, że punkt x∈U jest wektorem zmiennych niezależnych, z których każda przyjmuje pewną wartość; oznacza to, że przestrzeń przeszukiwań jest iloczynem kartezjańskim zbiorów wartości zmiennych niezależnych. | zadania ciągłe - charakteryzują się tym, że przestrzeń przeszukiwań jest iloczynem kartezjańskim n zbioru liczb rzeczywistych U = R , | zadania wypukłe (gdy zbiór dopuszczalny i funkcja celu są wypukłe), | zadania optymalizacji globalnej (niewypukła funkcja celu lub zbiór dopuszczalny), 2 2010‐03‐09 RODZAJE ZADAŃ | | RODZAJE ZADAŃ optymalizacja dyskretna - gdy wartości zmiennych niezależnych xi, należą do zbioru dyskretnego (skończonego lub przeliczalnego)U = Z n , optymalizacja kombinatoryczna -każda każda ze zmiennych niezależnych przyjmuje wartość logiczną n - prawda albo fałsz, czyli U = Z , | Optymalizacja bez ograniczeń – gdy zbiór dopuszczalny D jest tożsamy z przestrzenią przeszukiwań U, | Optymalizacja z ograniczeniami – w przeciwnym przypadku niż wyżej. 2 | optymalizacja mieszana – część zmiennych przyjmuje wartości rzeczywiste część całkowite. WŁASNOŚCI FUNKCJI CELU WŁASNOŚCI FUNKCJI CELU Zadania w będące dyskretną wersją z Niektóre z zadań całkowitoliczbowych można uzyskać , formułując zadanie ciągłe i przyjmując dodatkowe ograniczenie, że zbiór dopuszczalny zawiera wektory, których wartości zmiennych niezależnych są liczbami całkowitymi. całkowitymi Zadania takie można próbować rozwiązywać w sposób przybliżony. Wówczas, rozwiązanie odpowiedniego problemu ciągłego może stanowić oszacowanie problemu dyskretnego lub przynajmniej (po przybliżeniu do najbliższego rozwiązania dyskretnego) służy jako punkt początkowy poszukiwań. Proste przeniesienie właściwości zadań ciągłych w ich dyskretna wersję prowadzi do zbyt dużych uogólnień. | Zn Rn | Liniowość f ( x) = aT x + b Jeśli funkcja celu jest liniowa, to rozwiązanie zadania wypadnie zawsze na granicy obszaru dopuszczalnego (jeśli jest domknięty). domknięty) Jeśli zbiór dopuszczalny D jest nieskończonej miary, to nie można wykluczyć sytuacji, że rozwiązanie nie będzie istniało. 3 2010‐03‐09 WŁASNOŚCI FUNKCJI CELU | WŁASNOŚCI FUNKCJI CELU Wypukłość | Funkcja jest wypukła (w dół lub w górę) gdy łuk wykresu funkcji łączący dowolne dwa punkty P,Q tego wykresu leży poniżej (powyżej) lub na cięciwie PQ. PQ | Dla funkcji różniczkowalnej - Funkcja f(x) jest wypukła w przedziale (a,b) wtedy i tylko wtedy, gdy wykres funkcji leży ponad (pod) wykresem stycznej dla każdego punktu x0 z przedziału (a,b). Jeśli wypukłe są funkcja celu i zbiór dopuszczalny, to istnieje dokładnie jedno minimum. Ułatwienie procesu optymalizacji - można go bowiem ograniczyć się do przeszukiwania sąsiedztwa punktu roboczego i wybierania z tego sąsiedztwa nowego punktu roboczego. WŁASNOŚCI FUNKCJI CELU | Różniczkowalność Jeśli w każdym punkcie istnieje pochodna funkcji to: WŁASNOŚCI FUNKCJI CELU Warunek Lipschitza Funkcja spełnia ten warunek, jeśli istnieje taka wartość L < ∞ , że dla każdego x1 , x2 ∈ D zachodzi | f ( x1 ) − f (x2 ) ≤ L x1 − x2 łatwo znaleźć kierunek zmniejszania się wartości funkcji (kierunek poprawy), | zerowanie gradientu może wskazywać na znalezienie minimum. | Wartość L jest zwana stalą Lipschitza. Jeśli jest znana, to może być podstawą do konstruowania algorytmów optymalizacji, a także umożliwiać oszacowanie dokładności wyniku optymalizacji. 4 2010‐03‐09 WŁASNOŚCI FUNKCJI CELU WŁASNOŚCI FUNKCJI CELU | Właściwość dekompozycji Funkcja taka jest złożeniem wielu funkcji; wartość każdej z nich można obliczyć na podstawie znajomości części zmiennych niezależnych. Zadanie znalezienia minimum funkcji można zastąpić wieloma zadaniami wyznaczenia minimów funkcji z reguły są prostszych do rozwiązania. Dekompozycja może prowadzić do zmniejszenia wymiarowości wektora argumentów lub też uczynić funkcję mniej skomplikowaną (na przykład dekompozycja na funkcje wypukłe). Wiele minimów lokalnych Są funkcje, które mają wiele minimów lokalnych funkcje wielomodalne. Minimum lokalne to taki punkt, w którego sąsiedztwie o niezerowym promieniu nie istnieje inny punkt o mniejszej wartości funkcji celu. Może istnieć spójny zbiór punktów o jednakowej wartości funkcji celu, który traktuje się tak, jakby był jednym punktem i nazywa się go minimum niewłaściwym. W przypadku gdy istnieje dokładnie jeden punkt nazywa się go minimum właściwym. WŁASNOŚCI FUNKCJI CELU WŁASNOŚCI FUNKCJI CELU Istnienie minimów lokalnych wynika z: Zbiory przyciągania minimów lokalnych Zbiór wszystkich punktów, które są elementami początkowymi ciągu zbieżnego do minimum lokalnego x̂ , nazywamy obszarem przyciągania tego minimum i oznaczamy D ( xˆ ) . Podział zbioru dopuszczalnego na obszary przyciągania generuje rodzinę zbiorów o następujących właściwościach: | suma obszarów przyciągania równa jest zbiorowi dopuszczalnemu, | obszary przyciągania dwóch różnych minimów lokalnych są rozłączne. | postaci funkcji celu, | może być także spowodowane właściwościami zbioru dopuszczalnego, na przykład jego niewypukłością – wówczas minimum lokalne wypadnie często na brzegu obszaru dopuszczalnego. | | 5 2010‐03‐09 OGRANICZENIA FUNKCJI CELU RODZAJE ZBIORÓW DOPUSZCZALNYCH Ograniczenia kostkowe Ograniczenia kostkowe mają postać | Zbiór dopuszczalny może być zdefiniowany za pomocą zbioru funkcji ograniczeń gi hj, spełniających warunek, że dla każdego zachodzi x∈ D gi ≤ 0 hj = 0 li ≤ xi ≤ ui Ograniczenia liniowe Ograniczenia liniowe mają postać funkcji liniowej | gi (x) = aT x + b W przestrzeni Rn, jeśli w zadaniu występują wyłącznie ograniczenia liniowe, zbiór dopuszczalny (jeśli jest niepusty) jest wypukły. RODZAJE ZBIORÓW DOPUSZCZALNYCH RODZAJE ZBIORÓW DOPUSZCZALNYCH Wypukły obszar dopuszczalny Kolejnym przypadkiem ograniczeń są takie, które dają wypukły obszar dopuszczalny. Istnieje możliwość transformacji do ograniczeń kostkowych. | | Niewypukły i niespójny obszar dopuszczalny. Niewypukłość obszaru dopuszczalnego jest utrudnieniem dla zastosowania algorytmów optymalizacji, gdyż na ograniczeniach może występować jedno lub więcej minimów lokalnych. | Niespójny obszar dopuszczalny Obszar dopuszczalny niespójny – to taki który składa się z odizolowanych podzbiorów. Oznacza to, że dla każdego punktu dopuszczalnego istnieje co najmniej jeden punkt dopuszczalny dopuszczalny, którego nie sposób osiągnąć dowolnie małymi krokami, nie pozostając przejściowo w obszarze zabronionym. 6 2010‐03‐09 LICZBA WYMIARÓW wzrost liczby zmiennych | | ZŁOŻONOŚĆ OBLICZENIOWA wzrost komplikacji zadania zadania kombinatoryczne - uzupełnienie wektora zmiennych niezależnych o jedną zmienną powoduje podwojenie p j liczby y różnych y wartości,, które może on p przyjąć yją | Gdy funkcja kosztu pesymistycznego jest wielomianem to problemy takie nazywamy łatwymi i określamy klasą P (ang. polynomial), | Problemy klasy NP (ang. (ang nondeterministic polynomial) - dla których pesymistyczna złożoność obliczeniowa niedeterministycznego algorytmu jest funkcją wielomianową. | Wśród NP ważną rolę pełnią problemy NP-zupełne. zadania dyskretne - dodanie zmiennej niezależnej mogącej przyjąć k wartości będzie skutkować k-krotnym zwiększeniem liczby różnych wartości funkcje testowe – Ackleya, Rastrigina, Griewanka, etc. więcej wymiarów więcej minimów lokalnych ALGORYTM DETERMINISTYCZNY | W informatyce to algorytm, którego działanie jest całkowicie zdeterminowane przez warunki początkowe (wejście). | Wielokrotne uruchomienie da te same wyniki. | Inne: równoległe i rozproszone, probabilistyczne, kwantowe. PROBLEMY NP-ZUPEŁNE I NP-TRUDNE Cechy NP-zupełnych: | dla żadnego z nich nie udało się wykazać istnienia deterministycznego algorytmu o wielomianowej złożoności, | każdy z nich można przekształcić do każdego innego za pomocą deterministycznego algorytmu o złożoności wielomianowej. Cechy NP-trudnych: | trudne to takie, do których da się (za pomocą algorytmu deterministycznego o wielomianowej złożoności) sprowadzić dowolny problem z NP. 7 2010‐03‐09 OCENA ALGORYTMÓW OPTYMALIZACJI OCENA ALGORYTMÓW OPTYMALIZACJI Określenia jakości przybliżenia maksimum globalnego można dokonać oceniając: | | odległość od poszukiwanego minimum x* − x | przybliżenie wartości funkcji celu w poszukiwanym minimum f (x* ) − f (x) miarę zbioru poziomicowego otaczającego minimum | dokładność odniesiona do miary zbioru poziomicowego wyciętego ze zbioru dopuszczalnego {x ∈ D : f (x) ≥ f (x )} * D | dokładność odniesiona do miary zbioru poziomicowego wyciętego z obszaru przyciągania poszukiwanego minimum {x ∈ D : f (x) ≥ f (x )} * * * D ODPORNOŚĆ | Chodzi o odporność algorytmu na ekstrema lokalne, | Czy metoda jest w stanie „opuszczać" obszary przyciągania minimum lokalnego? | Wiązałoby się to ze stwierdzeniem, jak często (i czy w ogóle) znajdowane są punkty należące do obszaru przyciągania minimum globalnego, mimo że żaden taki punkt nie był wygenerowany w fazie inicjacji algorytmu – trudne lub niemożliwe. ODPORNOŚĆ Inny sposób określania odporności. | Można liczyć, że odporny algorytm powinien generować rozwiązania, których położenie zależałoby w jak najmniejszym stopniu od stanu początkowego. początkowego | Oznacza to, że w wyniku wielu niezależnych uruchomień należy oczekiwać uzyskania zbliżonych do siebie rozwiązań. 8 2010‐03‐09 KOSZT SYMULACJI | Czas procesora – nieuniwersalny, | Liczba iteracji – wygodny, bo na jedna iterację składa się wiele działań, których się nie bierze pod uwagę, uwagę | Liczba wywołań funkcji celu. WYKŁAD PRZYGOTOWANO NA PODSTAWIE | J. Arabas „Wykłady z algorytmów ewolucyjnych”, WNT, 2001 9