7
ХРАНЕНИЕ и ПЕРЕРАБОТКА СЕЛЬХОЗСЫРЬЯ • №4 • 2015
Градиентная информация, используемая в гибридном
алгоритме, позволяет получить локально оптимальное,
а следовательно, и глобальное решение задачи (если
оно существует) при меньших вычислительных затратах
по сравнению с алгоритмом PCA. При локальном поис-
ке для многомерных не всюду дифференцируемых кри-
териальных функций вводятся сглаживающие аппрок-
симации. Вместе с тем, существует класс оптимизаци-
онных задач, в которых использование градиентной
информации или затруднено, или требует значительных
вычислительных затрат.
Второй гибридный метод, реализованный в виде
алгоритма PCASFC, построен на основе алгоритма
Метрополиса в сочетании с детерминированным мето-
дом редукции исходной многомерной задачи к экви-
валентной одномерной [8]. Редукция размерности
пространства проводится при локальном поиске
с использованием метода построения кривой, запол-
няющей пространство, по схеме Пеано-Гильберта [9].
Третий гибридный алгоритм PCALMS является моди-
фикацией алгоритма PCAHS [10].
При наличии нескольких критериев целью оптими-
зации становится поиск множества недоминируемых
решений, образующих Парето-оптимальный фронт.
Предполагается, что в общем случае частные критерии
представляют собой непрерывные липшицевы много-
экстремальные функции [11].
Высокую эффективность показывают, например,
новые гибридные алгоритмы решения рассматривае-
мой задачи векторной оптимизации, реализующие
вариант метода линеаризации для задач многокритери-
альной оптимизации [12]. Для каждой функции, пред-
ставляющей частный критерий или функцию ограни-
чений, вводятся двухпараметрические сглаживающие
аппроксимации. В первом алгоритме оптимизация час-
тных критериальных функций проводится с использо-
ванием гибридного алгоритма глобальной оптимизации
PCALMS, объединяющего стохастический алгоритм
PCA и метод линеаризации при локальном поиске. Вто-
рой алгоритм глобальной оптимизации PCASFC пост-
роен на основе алгоритма Метрополиса в сочетании
с детерминированным методом кривой, заполняющей
пространство; последний применяется только при
локальном поиске. Для решения задачи липшицевой
минимизации исходная многомерная задача редуциру-
ется к эквивалентной одномерной с использованием
кривой Пеано, построение которой проводится по
схеме Гильберта [8].
Версии гибридных алгоритмов многокритериаль-
ной оптимизации V-PCALMS и V-PCASFC реализо-
ваны в виде прикладных программ [13, 14]. Програм-
мная реализация каждого алгоритма включает в себя
модули ввода исходной информации; модуль, реали-
зующий основной цикл алгоритма, в том числе фазу
случайных возмущений для перехода в новую область
поглощения частицы, фазу исследования области пог-
лощения, фазу возмущений в области рассеяния, фазу
исследования решения в области рассеяния; модуль
локального поиска методом редукции размерности;
модуль вычисления текущего значения частного
минимизируемого критерия; модуль формирования
фронта Парето; модуль вывода результатов решения.
Для определения параметров возмущения на соот-
ветствующих шагах алгоритмов используются стан-
дартные встроенные генераторы случайных чисел.
С целью получения оценки вычислительных затрат
в программном обеспечении во всех случаях предус-
мотрены счетчики числа обращений к подпрограммам
вычисления текущих значений критериальной функ-
ции. Некоторые результаты применения гибридных
алгоритмов к задачам векторной оптимизации дина-
мических систем представлены в работе [15].
Для выявления преимуществ описанных гибридных
алгоритмовPCALMS, PCASFC, V-PCALMS, V-PCASFC,
реализованных в пакете прикладных программ, полу-
чено решение задач, принятых в современной литера-
туре в качестве стандартных эталонных тестов недиф-
ференцируемой оптимизации. Подтверждена, в част-
ности, высокая эффективность двухпараметрического
метода сглаживающих аппроксимаций. Кроме того,
тестирование программных комплексов показало,
что гибридный алгоритм PCALMS на один — три
порядка эффективнее стохастического алгоритма PCA,
а для ряда стандартных эталонных тестов сравним
по эффективности с детерминированным алгоритмом
TRUST [16].
Ниже приведены полученные с использованием гиб-
ридных алгоритмов результаты решения стандартных
эталонных тестовых задач глобальной оптимизации,
а также решение стандартной эталонной тестовой зада-
чи ZDT4 векторной оптимизации при наличии много-
экстремальных критериальных функций [11].
Задача 1.
Тестовая функция Леви-Монтальво
,
где
y
1
=1+0,25(
x
1
–1); –10
≤
x
i
≤
10;
i
=1, 2, ...,
n
;
k
=10;
A
=1.
Имеет глобальный минимум
f
(
x
) =0 при
x
i
= 1, 2, ...,
n
.
На рис. 1 показан вид функции в ограниченной
области ее определения для случая
n
= 2.
250
200
150
100
50
0
3
2
1
1
0
0
–1
–1
–2
–2
–3 –3
Рис. 1.
Вид функции в ограниченной области ее определения
для случая n = 2
Электронная Научная СельскоХозяйственная Библиотека