۹۲/۰۲/۰۹
optimization
الگوریتم ژنتیک
ژنوم یا کروموزوم
min x1^2 + x2^3
الگوریتم های هیوریستیک روی مسایل
گسسته بهتر عمل می کنند
ناحیه شدنی مسایل گسسته نقطه
نقطه هست
اکر نقطه بهینه ما روی نقاط قرار نگرفته
باشد ، نزدیک ترین نقطه به نقطه بهینه
جواب ما می شود
با ۹ بیت ژنوم را می توان نمایش داد
(کد گزاری)
magic matrix جواب مساله جلسه حضوری است
در کد کردن :
x={0,1,2,3,4,…,31}
xhat={1,1.1,1.2,1.3,…,3}
x=1+xhat/10
یک روش برای کد کردن کروموزوم است
الگوریتم SA
GA الگوریتم
در فضای ۳ بعدی ممکن است بعضی نقاط مینی مم باشد و بعضی نقاط ماکزیمم
کانتور آنرا کشیده ایم
الگوریتم متا هیوریستیک
exploration یک الگوریتم یعنی تمام مساله را بررسی کند
explotation توانایی پروراندن پاسخ های فعلی
یعنی کنار جوابی را که پیدا کردم خوب بتونم بگردم
Population
۱- تپه نوردی
Simulated Analing
PSI
Ant Colony
در الگوریتم SA یک فرمول داریم :
احتمال اینکه یک جواب بد را بپذیرم
T اول الگوریتم یک مقدار بزرگ مثلا برابر ۱۰۰ هست
الگوریتم شبیه سازی تبرید
چه وقتی دلتا اف منفی است ؟
۴ شنبه یک مساله TSA می سازیم و حل می کنیم
swap –
reversion
insertion
در SA استفاده می شود
چهارشنبه ۴ اردیبهشت ساعت ۲ تا ۴ با دکتر شمسی
و۴ تا ۸ با اقای بابایی کلاس جبرانی برگزار می شود
۹۱/۱۲/۲۱
بهینه سازی – دکتر شمسی
مسایل مقید به قیود تساوی
( مسایل لاگرانژ )
min3x+2y^2
x-y=3
j=3x+2y^2+landa(x-y-3)
round j/round x =0 ==>
۳+landa=0 ==> landa=-3
Round J /Round y = 0
==>4y-landa=0 ==> y=- ۳/۴
Round j/Rounad landa =۰ ==> x-y-3=0 ==> 9/4
تابع لاگرانژین
قید تساوی را در لاندا ضرب
میکنیم
f=3×1-2×2^3-4×3
شرایط :
۲×۱-۲×۲=۵
x1-x3=4
L=3×1-2×2^3-4×3+landa1(2×1-2×2-5)+landa2(x1-x3-4)
لاگرانژ تعبیر هندسی هم نداره
۵ معادله و ۵ مجهول به دست می آید
Round L / Round x1=0
Round L / Round x2=0
Round L / Round x3=0
Round L / Round landa1=0
Round L / Round Landa2=0
——————————–
مسایل بهینه سازی مقید به قیود تساوی و نامساوی
در اینجا باز هم یک تابع هدف داریم
علاوه بر آن هم قید نامساوی داریم هم قید مساوی
این حالت کلی NLP برنامه ریزی غیر خطی گویند
Non Leinear Programming
شرایط لازم KKT برای می نیمم موضعی
اگر X* یک می نیمم موضعی برای … باشد
min f =3×1-x2^2+2×3^2
h قید : ۲×۱-x2+x3=0
g1 قید دیگر : x1>=0
g2 قید دیگر : x2-x3<=7
قبل از اینکه شرایط kkt را اعمال کنیم باید قید ها را به فرم استاندارد بنویسیم
قید دوم : -x1<=0
قید سوم : x2-x3-7<=0
gradian f +mu 1 gradian g1+mu 2 gradian g2 + landa gradian h =0
—————————————
۹۱/۱۲/۲۰ تدریس یار بهینه سازی
مجموعه جهت های کاهشی از دیدگاه هندسی
مجموعه محدب هستند یا نه
جواب : مجموعه جهت های شدنی محدب نیست
مثال نقض : مجموعه زین اسبی
۹۱/۱۲/۱۴
بهینه سازی ریاضی بنیان
اثبات صفحه ۱۳ رو ازتون نمیخواهیم
مجموعه بردار های کاهشی درx-bar
همه نقاط کاهشی را با f (x-bar ) نمایش میدهیم
یک تحقیق انجام دهید
ایا مجموعه کاهشی محدب هست یا نه
شرایط لازم برای مینیمم موضعی
جهت کاهشی تند ترین شیب
هر وقت این بردار زاویه حاده بسازد ، ضرب داخلی آن
دستورکانتور contour در متلب این کار رو انجام میده
با دستور surf(x,y) می توانید شکل را رسم کنید و بجاش contour را بگذارید
۹۱/۱۲/۱۳
بهینه سازی ریاضی بنیان
مرتضی بابایی – رشته علوم کامپیوتر
مبحث درس ریاضی ۲ را یک بار دوره کنید و خیلی هم جدی است. (ماتریس ها بردار ها )
یاد آوری
مسایل مقید مساوی ، مسایل مقید مساوی
درک مساله کانتور ها مربوط به چه تابعی هست
برای بهینه سازی یک نقطه را انتخاب می کردیم
بردار گردیان هم نقش مماس را برای ما بازی میکند
۲ روش برای حل مساله داریم
۱- روش ترسیمی : جهت کاهشی {اشتباه نوشته شده شدنی }( تک متغیره )
۲- روش جبری
دسته بندی روشهای حل :
برای حل ۵ روش متفاوت داریم
۱- روش تحلیلی یا کلاسیک
۲- روش های تصویری Graphical Methods (چشمی – هوش انسانی )
۳- روش های عددی ( ساده ترن روش )
۴- روش های مدرن یا غیر متعارف (هیورستیک
در حل مساله ۳ تا استثنا وجود دارد (اگر مساله کمترین مربعات خطی بود یا LPبرنامه ریزی خطی بود یا محدب بود ) خیالمون راحت میشه
همین که بهترین الگوریتم انتخاب بشود برای دانشجویان مهندسی کفایت می کند