6
ХРАНЕНИЕ и ПЕРЕРАБОТКА СЕЛЬХОЗСЫРЬЯ • №4 • 2015
однако вопросы вычислительной эффективности
алгоритмов остаются открытыми.
На практике достаточно часто встречаются много-
критериальные задачи управления. При наличии
нескольких критериев целью оптимизации становит-
ся поиск множества недоминируемых решений, обра-
зующих Парето-оптимальный фронт. Ввиду большой
размерности и сложной структуры пространства поис-
ка для большинства задач векторной оптимизации
точное решение получить не удается. К эффективным
методам численного решения многокритериальных
задач можно отнести векторный вариант метода лине-
аризации, причем используя построение сглаживаю-
щих аппроксимаций, можно расширить этот подход
на негладкий случай [4]. Существенно, что отдельные
критерии могут представлять собой многоэкстремаль-
ные не всюду дифференцируемые функции. В общем
случае поиск глобального решения для такой крите-
риальной функции представляет собой самостоятель-
ную сложную задачу. Следовательно, актуальной зада-
чей является разработка гибридных алгоритмов
эффективного решения задач векторной оптимизации
с многоэкстремальными негладкими критериями.
Постановка скалярной задачи оптимизации сис-
темы управления в общем случае предполагает зада-
ние: матричного дифференциального уравнения,
описывающего поведение объекта управления; кри-
териальной функции (функционала), характеризую-
щей качество управления; ограничений на управле-
ние, обусловленных лимитированными ресурсами
управления; ограничений на траекторию системы
в фазовом пространстве; граничных условий (напри-
мер, соответствующих начальному и конечному
состояниям объекта управления); допустимого про-
граммного управления. Предполагается также,
что критериальная функция является непрерывной,
не всюду дифференцируемой и многоэкстремаль-
ной.
Задача оптимизации формулируется так: при задан-
ных объекте управления, ограничениях и граничных
условиях требуется найти такое программное управ-
ление из класса всех допустимых и фазовую траекто-
рию, при которых критериальная функция при реше-
ниях уравнений, описывающих поведение объекта,
принимает экстремальное значение.
В такой постановке на практике часто встречаются,
например, задачи построения оптимального програм-
много управления по критерию минимальных затрат,
максимального быстродействия, минимального рас-
хода ресурсов, максимального выхода продукта и др.
Также во многих практических случаях необходи-
мо рассматривать одновременно несколько равно-
значных критериев качества управления. Это приво-
дит к формулировке многокритериальной задачи
оптимизации, где требуется, в частности, одновре-
менно минимизировать несколько критериальных
функций. При этом численное решение задачи опти-
мизации векторного критерия связано с поиском
аппроксимации фронта Парето в соответствующем
критериальном пространстве.
Эффективность детерминированных алгоритмов
решения задач глобальной оптимизации существенно
ограничена размерностью пространства поиска.
В свою очередь, реализация мощных современных
стохастических алгоритмов требует значительных
вычислительных затрат. Разработка гибридных мето-
дов и алгоритмов, объединяющих стохастический
и детерминированный подходы, позволяет эффектив-
но находить приближенное решение многих практи-
ческих задач глобальной оптимизации [5]. Так, в рабо-
те [6] представлен гибридный алгоритм, объединяю-
щий современный стохастический алгоритм PCA
и симплекс-метод Нелдера-Мида. Работа стохастичес-
кого алгоритма PCA основана на использовании ана-
логии с физическими процессами абсорбции и рассе-
яния частиц при ядерных реакциях.
На начальном шаге выбирается пробное решение
(Old_Config), которое затем модифицируется посредс-
твом стохастического возмущения (Perturbation ()),
что позволяет найти новое решение (New_Config).
С помощью функции Fitness () дается сравнительная
оценка нового и предыдущего решений, на основании
которой новое решение может быть принято
или отвергнуто. Если новое решение отвергнуто,
то происходит переход к функции Scattering (), реали-
зующей схему Метрополиса. Новое решение прини-
мается, если оно лучше предыдущего (абсорбция).
Если найденное решение хуже предыдущего, то про-
исходит переход в отдаленную область пространства
поиска (рассеяние), что позволяет преодолевать
локальные минимумы.
Значительным преимуществом алгоритма PCA
относительно других алгоритмов оптимизации, таких
как генетические алгоритмы или алгоритм моделиру-
емого отжига, является то, что за исключением зада-
ния предельного числа итераций, он не требует
каких-либо дополнительных параметров. Еще одно
преимущество алгоритма PCA состоит в том, что он
может применяться к непрерывным или дискретным
задачам оптимизации, для чего требуется лишь изме-
нение возмущающей функции, тогда как при работе,
например, генетических алгоритмов необходимо при-
менять специальные операторы для дискретных задач
оптимизации. Вместе с тем, характеристики PCA
существенно зависят от масштабирования критери-
альной функции, определяемого пользователем. Сле-
дует отметить, что применение метода Нелдера-Мида
не гарантирует сходимости к стационарной точке,
что снижает в целом надежность алгоритма MNPCA.
Для эффективного разрешения этих проблем можно
применять семейство гибридных алгоритмов глобаль-
ной оптимизации, в которых сканирование пространс-
тва переменных проводится стохастическим методом,
а при локальном поиске в перспективной на глобаль-
ный экстремум области используются детерминиро-
ванные методы.
В работе [7] представлен новый гибридный метод
и соответствующий ему алгоритм PCAHS, построенный
на основе алгоритма PCA в сочетании с детерминиро-
ванным методом линеаризации при локальном поиске.
Электронная Научная СельскоХозяйственная Библиотека