Pawe Witczak

Materiay pomocnicze do wykadu z Optymalizacji Konstrukcji

WYKAD 1
PODSTAWOWE POJCIA OPTYMALIZACJI
Sformuowanie zagadnienia.
Optymalizacj nazywamy proces ukierunkowany na znalezienie najlepszego w sensie
przyjtego systemu miar wartoci rozwizania danego problemu. Najczciej jest to
wyznaczenie zbioru parametrw definiujcych pewne urzdzenie lub dziaanie wybranego
ukadu. Taki uporzdkowany zbir parametrw, ktre mog podlega zmianie, nazywa si
wektorem zmiennych decyzyjnych x

x T = {x1 , x 2 , ... , xn }
Wymaga si, aby skadowe xk byy liniowo niezalene. Liczba skadowych wektora x okrela
wymiar przestrzeni optymalizacyjnej.
Miar wartoci rozpatrywanego urzdzenia lub ukadu okrela uporzdkowany zbir
zalenoci funkcyjnych F({x}), ktrego skadniki nazywane s skalarnymi funkcjami celu.
F ( x ) = { f 1 ( x ), f 2 ( x ), ... , f k ( x )}
T

Funkcja F(x) jest nazywana wektorow funkcj celu lub funkcj celu w sensie Pareto.
Najczciej jest jednak stosowana F(x) o jednym skadniku - skalarna funkcja celu.
Wartoci skadowych wektora x w wikszoci wypadkw nie mog by dowolne
mwimy, e podlegaj ograniczeniom. Rozrnia si dwa typy ogranicze:
-

ograniczenia nierwnociowe gi(x) 0, i=1, 2 ...iM

ograniczenia rwnociowe hj(x) = 0, j=1, 2 ...jM.

Naley pamita, e wprowadzenie kadego ograniczenia rwnociowego redukuje rozmiar

przestrzeni optymalizacyjnej o 1. Moe rwnie by przyczyn braku rozwiza zadania
optymalizacyjnego
xopt

x2

xopt

x2

h1(x)=0
x1

x1

Rys.1. Wpyw ograniczenia rwnociowego na rozmiar przestrzeni optymalizacyjnej

a. Dim{D} = 2,
b. Dim{D} = 1.

Pawe Witczak
Materiay pomocnicze do wykadu z Optymalizacji Konstrukcji

h2(x)=0

xopt
x2

h2(x)=0

x2

h1(x)=0

h1(x)=0

x1

x1

Rys.2. Bdne zastosowanie ogranicze rwnociowych

a. Dim{D} = 0,
b. {D} = 0.
Zbir elementw przestrzeni optymalizacyjnej speniajcy rwnania ogranicze nazywamy
zbiorem rozwiza dopuszczalnych D
D = {x: gi(x) 0, i=1, 2 ...iM, hj(x) = 0, j=1, 2 ...jM.}
Obecno ogranicze nierwnociowych moe by przyczyn, e optimum problemu nie
naley do zbioru rozwiza dopuszczalnych
xopt
x2

g2(x) 0

x2

g1(x) 0
x1

obszar
zabroniony

Rys.3. Wpyw ogranicze nierwnociowych na pooenie optimum

Zadanie optymalizacyjne polega na znalezieniu najlepszego (optymalnego) elementu xD.
Przez pojcie optymalny rozumie si najwikszy z lub najmniejszy z. Kade zagadnienie
maksymalizacji moe by sprowadzone formalnie do problemu minimalizacji (i odwrotnie)
poprzez zaleno
max(F(x)) = - min(-F(x))
W dalszym cigu rozwaa przez pojcie optymalnego elementu xopt bdzie si rozumie
taki element xopt, ktry minimalizuje funkcj celu F(xopt) = min(F(x)) w przestrzeni
rozwiza dopuszczalnych xD.

Pawe Witczak
Materiay pomocnicze do wykadu z Optymalizacji Konstrukcji

Funkcja celu moe mie szereg minimw lokalnych i jedno minimum globalne.
F(x)
minima lokalne

minimum
globalne

Rys.4. Przykadowy przebieg funkcji celu zawierajcej szereg minimw lokalnych

Podzia zagadnie optymalizacyjnych.

W zalenoci od wyboru zbioru skadowych wektora zmiennych decyzyjnych x oraz
funkcji celu F(x) mona otrzyma wiele klas problemw. Do ilustracji poszczeglnych poj
wybrano maszyn elektryczn jako obiekt postpowania optymalizacyjnego, z atwoci
mona w jej miejsce podstawi dowolne inne urzdzenie lub proces. Niech skadowymi
wektora x bd poszczeglne wymiary geometryczne, a funkcj celu porzdkujc zbir
rozwiza okrelono jako mas przypadajc na jednostk mocy urzdzenia.
Podstawowym podziaem jest wybr zdeterminowania problemu.
a. wektor x oraz funkcja celu F(x) s okrelone dokadnie. Klasa: problemy zdeterminowane
- wszystkie maszyny wykonane wedug projektu x bd identyczne, a w szczeglnoci ich
moc bdzie taka sama.
b. wektor x jest okrelony dokadnie, funkcja F(x) jest zmienn losow. Klasa: problemy quasi
losowe - wszystkie maszyny wykonane wedug projektu x bd identyczne geometrycznie,
natomiast ich moc zaley np. od jakoci materiaw uytych do produkcji.
c. wektor x oraz funkcja celu F(x) s zmiennymi losowymi. Klasa: problemy niedeterministyczne
- wymiary poszczeglnych maszyn s przypadkowe w wyniku bdw technologicznych (np.
niedokadnoci montau, zuycie narzdzi) a parametry kocowe (np. moc) s oprcz
wasnoci materiaw dodatkowo zakcone losow zmiennoci x.
Rozwizanie wedug sformuowania a. jest o wiele atwiejsze algorytmicznie,
natomiast warianty b. i c. s bez wtpienia blisze rzeczywistoci. Naley zaznaczy, e
niedokadnoci reprezentacji liczbowej w komputerze (bdy zaokrglenia i obcicia) mogce
mie rwnie charakter losowy s w chwili obecnej cakowicie do pominicia w
zdecydowanej wikszoci postpowa optymalizacyjnych
3

Pawe Witczak
Materiay pomocnicze do wykadu z Optymalizacji Konstrukcji

Drugim podziaem jest wymiarowo wektora funkcji celu.

a. funkcja celu jest jednoskadnikowa. Klasa: optymalizacja skalarna. Wynikiem
postpowania jest pojedynczy element xopt z przypisan mu liczb wartoci funkcji celu.
b. funkcja celu jest wieloskadnikowa. Klasa: optymalizacja wektorowa (polioptymalizacja).
Wynikiem postpowania jest zbir elementw {xopt} nazywany zbiorem kompromisw z
przypisanym mu zbiorem wektorw funkcji celu.
Trzecim podziaem jest rozrnienie pomidzy optymalizacj statyczn i dynamiczn.
a. Jeeli wymiar wektora x jest skoczony oraz kolejno numeracji jego skadowych jest
dowolna to takie postpowanie optymalizacyjne nazywamy statycznym.
b. Jeeli elementami przestrzeni optymalizacji s funkcje, ktrych jeden z argumentw jest cile
uporzdkowany (czas) to takie postpowanie optymalizacyjne nazywamy dynamicznym.
Przykadem tu moe by optymalizacja sterowania maszyny elektrycznej.
Czwarty podzia wynika z fizycznej interpretacji skadowych wektora x.
a. Jeeli skadowe wektora x przyjmuj tylko wartoci cakowite to postpowanie takie
nazywamy cakowitoliczbowym. Przykadem moe by tu liczba obkw w maszynie.
b. Jeeli skadowe wektora x przyjmuj wartoci rzeczywiste to to postpowanie takie
nazywamy cigym lub rzeczywistym. Do tej klasy naley wikszo praktycznych
zastosowa optymalizacji i okrelenia cigy czy rzeczywisty s zazwyczaj pomijane.
Algorytmy postpowa w dziedzinie cakowitoliczbowej s znacznie trudniejsze i bardziej
czasochonne, wic naley w miar moliwoci ich unika. Przykadowo, liczba zwojw
uzwojenia fazowego w maszynie jest bez wtpienia cakowita, jednak wystpowanie tego
parametru w formuach obliczeniowych jest takie, e czsto mona zaniedba t wasno
i oblicza maszyn jakby ta waciwo nie istniaa.
Kolejne podziay wynikaj z algorytmw metod znajdowania optimum. Mwimy o:
-

metodach deterministycznych i losowych znajdowania optimum,

metodach znajdowania optimum z ograniczeniami i bez ogranicze,

metodach optymalizacji prostej lub wielopoziomowej.