Научная статья на тему 'Решение задач проектирования динамических систем интеллектуальным методом ПЛП-поиска'

Решение задач проектирования динамических систем интеллектуальным методом ПЛП-поиска Текст научной статьи по специальности «Математика»

CC BY
84
14
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
ПЛП-ПОИСК / PLP-SEARCH / ЭВРИСТИЧЕСКИЕ МЕТОДЫ ОПТИМИЗАЦИИ / THE HEURISTIC METHODS OF OPTIMIZATION / МЕТОД МОНТЕ-КАРЛО / MONTE CARLO METHOD / ПЛАНИРОВАНИЕ ИМИТАЦИОННЫХ ЭКСПЕРИМЕНТОВ / PLANNING THE IMITATION EXPERIMENTS

Аннотация научной статьи по математике, автор научной работы — Статников И. Н., Фирсов Г. И.

В статье рассматривается применение метода ПЛПпоиска, уже зарекомендовавшего себя положительно по критерию рационального проведения вычислительных экспериментов, для решения задач анализа и синтеза многопараметрических и многокритериальных задач проектирования.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

Solution of the problems of the dynamical systems design of intellectual methods of the PLP-search

Based on the example of problems of the selection of quantity and sites of installation of the spacing lattices (partitions) is examined the application of a method of the PLPsearch, which already recommended itself positively on the criterion of the rational conducting of computational experiments with analysis and synthesis of multiparametric and multicriterional tasks.

Текст научной работы на тему «Решение задач проектирования динамических систем интеллектуальным методом ПЛП-поиска»

УДК 518.5

РЕШЕНИЕ ЗАДАЧ ПРОЕКТИРОВАНИЯ ДИНАМИЧЕСКИХ СИСТЕМ ИНТЕЛЛЕКТУАЛЬНЫМ МЕТОДОМ ПЛП-ПОИСКА

И.Н. Статников, канд. техн. наук,

Институт машиноведения им. А.А. Благонравова РАН E-mail: [email protected] Г.И. Фирсов,

Институт машиноведения им. А.А Благонравова РАН E-mail: [email protected]

Аннотация. В статье рассматривается применение метода ПЛП-поиска, уже зарекомендовавшего себя положительно по критерию рационального проведения вычислительных экспериментов, для решения задач анализа и синтеза многопараметрических и многокритериальных задач проектирования.

Ключевые слова: ПЛП-поиск, эвристические методы оптимизации, метод Монте-Карло, планирование имитационных экспериментов.

Abstract. Based on the example of problems of the selection of quantity and sites of installation of the spacing lattices (partitions) is examined the application of a method of the PLP- search, which already recommended itself positively on the criterion of the rational conducting of computational experiments with analysis and synthesis of multiparametric and multicriterional tasks.

Keywords: PLP-search, the heuristic methods of optimization, the Monte Carlo method, planning the imitation experiments.

Проектирование и создание динамических систем по существу есть процесс сотворения человеком искусственной природы, которая помогает ему выжить в естественных условиях. Отсюда и постоянная задача человека - повышение эффективности систем искусственной природы с точки зрения его выживания. На протяжении тысячелетий эта задача решалась, в основном, методом проб и ошибок. С появлением теоретических наук, и прежде всего естественных (физика, математика, теоретическая механика и др.), крен в решении вышеупомянутых задач

смещается в сторону расчетов при наличии математических описаний создаваемых систем - математических моделей (ММ). В настоящей работе под решением задачи проектирования динамической системы понимаем комплекс рекомендаций по выбору значений конструктивных параметров системы и условий управления работой системы, обеспечивающих ее максимальную эффективность по технико-экономическим и экологическим критериям качества. Такое понимание явно свидетельствует о том, что задачи проектирования динамических систем - многопараметрические и многокритериальные.

С теоретической точки зрения эффективность применения того или иного метода оптимизации, понимаемой широко, существенно зависит от степени адекватности используемой ММ реальным динамическим процессам, происходящим в создаваемом или усовершенствуемом устройстве. Разумеется, в узком смысле, при использовании одной и той же математической модели всегда имеет место конкуренция различных методов оптимизации (по точности, по скорости сходимости результатов расчетов, по ясности интерпретации этих результатов). Но уже при числе критериев К > 2 и числе анализируемых (а в ПЛП-поиске -варьируемых) параметров J > 3 стало практически бессмысленным говорить об оптимизации искомых решений в узком смысле, а речь может идти только об отыскании рациональных решений задачи, что чаще всего соответствует поиску компромиссных решений. Но в этом случае сама эффективность применения того или иного метода становится заложницей объема и качества априорной информации, имеющейся к моменту начала решения прикладной задачи оптимизации.

Поэтому кажется очевидным, что наиболее привлекательными становятся такие методы поиска рациональных решений, которые, при наличия адекватной ММ, требуют минимума априорной информации о решаемой задаче, более того, позволяют по ходу решения получать такую информацию легко и просто. Такие методы естественно называть универсальными. К ним будем относить семейство методов Монте-Карло и их различные модификации. В основе использования этих методов лежат принципы случайного поиска решения задачи и статистической обработки получаемых результатов, что и делает такой подход универсальным. Но платой за такую универсальность является определенная «слепота», и это приводит к громадным объемам вычислений даже для современных ЭВМ, тем более, что имеет место рост размерности решаемых задач (растут число фазовых координат, число конструктивных

<ib

МФЮА московский финансово-юридическии университет

параметров J, число критериев качества K, характеризующих систему (объект). А громадные объемы получаемой информации при проведении вычислительных экспериментов затрудняют ее интерпретацию. Возникла потребность сочетания универсальности метода Монте-Карло с элементами более интеллектуального анализа результатов численных экспериментов, чем простая констатация статистических оценок, т.е. усовершенствование технологии проведения математических экспериментов. Полагаем, что в значительной мере указанной потребности удовлетворяет метод ПЛП-поиска [1,2], в основание которого положена рандомизация расположения в области G(a) векторов а, рассчитываемых по ЛПт-сеткам [3], и которая возможна благодаря тому, что весь вычислительный эксперимент производится сериями. В ПЛП-поиске на сегодняшний день можно варьировать одновременно значения до 51-го параметра (J = 51). В ПЛП-поиске алгоритм рандомизации построен на использовании датчика псевдослучайных чисел q (0 < q <1) из [3]. Рандомизация состоит в том, что для каждой h-ой серии экспериментов (h = 1,...,H(i, j)), где H(i, j) - объем выборки из элементов для одного критерия ф., вычисляется свой вектор случайных номеров строк j ( j1h, ..., jв ) в таблице направляющих числителей (ТНЧ) по формуле:

jeh =[R х q] + 1, (1)

а значения а., в h-ой серии рассчитываются с помощью линейного преобразования

аФ = а/ + q^eh х Ааj (2)

где: Аа . = а .** —а j*, а и а - соответственно верхние и нижние границы области G(U ); Р = 1, ...,J; R - любое целое число (в ПЛП-поиске R = 51); j - фиксированный номер варьируемого параметра; i = 1,...,M(j) - номер уровня j-го параметра в h-й серии; M(j) - число уровней, на которое разбивается j-ый параметр; в общем случае jh ^.(в чем и состоит одна из целей рандомизации). Было доказано с помощью критерия Романовского [4], что числа j вырабатываемые по формуле (1), оказываются совокупностью равномерно распределенных по вероятности целых чисел. Обратим внимание, что M(j) и есть количество экспериментов, реализуемых в одной серии. И если M(j)= М = const и H(i, j) = H = const, то в этом случае параметры NO, Ми H связаны простым соотношением:

NO = М X H, (3)

где NO- общее число вычислительных экспериментов (ВЭ), при этом длина выборки из Ф.к в точности равна H. Но в общем случае, когда M(j) = var, то и H(i,j) = var, . и тогда формула (3) для одного критерия примет такой вид NO = X i=i H (i, j).

С помощью формул (1) и (2) в ПЛП-поиске реализуются следующие варианты матриц планируемых экспериментов:

1. M = const; NO считается по формуле (3); в этом случае можно строить МПЭ для таких случаев:

а) £ = 0; учитываются точные значения границ области G(а), но в этом случае необходимо увеличивать число экспериментов NO, так частота появления граничных значений а. в 2 раза меньше частоты появления внутренних значений этого параметра;

б) 0 < £ << 1; границы изменения j-го параметра образуют интервал (а . + £ ;а JM - £), а далее расчет по формуле (2);

в) 0 < £ << 1; границы изменения j-го параметра образуют интервал (а - £ ;а „ + £), а далее расчет по формуле (2).

2. M = var; в этом случае также возможны три варианта построения МПЭ, но для каждого j-го параметра берется свое £.; при этом 0 < £ j << 1.

Для проведения однофакторного дисперсионного анализа [5] по всем параметрам для каждого критерия производится сортировка результатов вычислений, полученных при вычисления в точках матрицы планируемых экспериментов (МПЭ). В результате сортировки для одного критерия будет получено J матриц, состоящих из элементов Ф.к, а для К будет получено J х К матриц, состоящих из элементов Ф где к - номер критерия. Этот анализ позволяет принять (или отвергнуть) с требуемой вероятностью Р > 1 - Д где [) - заданный уровень значимости, следующую нулевую гипотезу: средние значения Ф. не существенно (случайно) отличаются от общего среднего значения k-го критерия. Если принят положительный ответ (гипотеза принята), то допускается на следующем этапе решения задачи несущественно влияющий параметр а. не варьировать, ^зафиксировать одно из его значений, например, а. = а. для такого i, где Фук имеет наилучшее значение в смысле искомого экстремума.

Теперь опишем типовую формализованную постановку задачи, для которой будет полезным использование ПЛП-поиска. Пусть задана математическая модель исследуемой системы в виде

L( У (а, t ),а) = 0, ф (а) > 0, (4)

<ib

мфюа московский финансово-юридическии университет

где L - оператор, воздействующий на систему уравнений (4) (линейный или нелинейный), y (а, t) - вектор фазовых координат системы, ф (а ) -вектор функциональных ограничений на параметры и поведение системы (4), а = (alv..,a J) - вектор коэффициентов уравнений. Исходная область G(a) изменения коэффициентов задается в виде I-мерного параллелепипеда а., < а. < а.,„ где а., и а, - соответственно нижние и верхние граничные значения j-го коэффициента j = l, J. И, наконец, задается система критериев качества функционирования устройства (в явном или неявном виде) {фk =фк(ä),äe G(а),k = l,K}. Реализация пунктов «б» и «г» осуществляется алгоритмически и с помощью следующих графиков: кривой максимумов Ф. (а.); кривой средних; кривой общего среднего Фм; кривой минимумов Ф. (а.). При этом были сформулированы следующие эвристические правила выделения искомых подобластей:

а) если доверительная (теоретическая) вероятность Р влияния параметра на значения анализируемой функции меньше заданной Р а Рз < 0,95, то исходный диапазон изменения этого параметра не меняется;

б) если Р > Р то поступаем так: если кривая общего среднего Фм пересекает линию кривой средних Ф. (а.) один или два раза, то выделяем новый поддиапазон из исходного в соответствии с математическим смыслом искомого экстремума (min или max); если число пересечений кривой общего среднего Фм линии кривой средних Ф jk (а j) больше двух, то, несмотря на значения P, исходный диапазон параметра не меняем (впрочем принятие решения в этом случае, как и выбор значения Р остается за исследователем, поскольку само решение влияет на объем проводимых экспериментов).

Ниже приведены некоторые из примеров использования ПЛП-поиска при решении задач проектирования различных динамических систем. Здесь ММ - математическая модель, НДУ - нелинейное дифференциальное уравнение, ЛДФ - линейное дифференциальное уравнение, УРЧП - дифференциальное уравнение в частных производных.

1. Поворотный делительный стол с гидромеханическим приводом. ММ: 3 НДУ второго порядка. J = 9. K = 3. Результат: найдена область компромиссных решений, объем которой составил ~0,2% от исходно заданной.

2. Пневморегулятор давления повышенной точности. ММ: 4 НДУ второго порядка. J = 4. K = 1. Результат: найдена область лучших решений с объемом в 0,5% от исходно заданной.

3. Пневмовстряхивающая машина. ММ: 4 НДУ второго порядка. J = 8. К = 1. Результат: определены 4 влиятельных параметра; выделенная область составила 5% от исходно заданной.

4. Швейная машина. ММ: 5 НДУ неоднородных второго порядка. J = 6. К = 5. Результат: в выделенных областях построены регрессионные зависимости собственных частот от параметров ММ.

5. Резонансный преобразователь для судовых валопроводов. ММ: 2 НДУ второго порядка. J = 6. К = 1. Результат: определены два влиятельных параметра; значение критерия улучшилось в 5,2 раза по сравнению с аналогичным в исходной области.

6. Трансмиссия главного привода рабочей клети прокатного стана. ММ: 5 НДУ второго порядка. J = 5. К = 5. Результат: найдена область компромисса, составляющая ~3,5% от исходно заданной.

7. Теплообменный аппарат. ММ: 1 УРЧП. J от 8 до 18. К = 4. Результат: определены для каждого J существенные параметры и построены области компромисса.

Мы видим, что в каждом из приведенных примеров реализуются один или одновременно несколько пунктов из формализованной постановки. Более того, полученные результаты носят практический характер, и могут быть основанием для завершения расчетов. Еще более важно то, что при решении каждой из указанных задач возникали вопросы к результатам их решения, которые нельзя было предвидеть заранее, даже при аналитической проработке. Последнее, во-первых, естественно при использовании дискретных методов, а, во-вторых, имелись явные вероятностные оценки.

ЛИТЕРАТУРА

1. Статников И.Н., Андреенков Е.В. ПЛП-поиск - эвристический метод решения задач математического программирования. - М., 2006.

2. Статников И.Н., Фирсов Г.И. ПЛП-поиск и его реализация в среде МАТЪАВ // Проектирование инженерных и научных приложений в среде МАТЪАВ. - М., 2004.

3. Соболь И.М. Многомерные квадратурные формулы и функции Хаара. - М., 1969.

4. Митропольский А.К. Техника статистических вычислений. - М., 1971.

5. Шеффе Г. Дисперсионный анализ. - М., 1980.

i Надоели баннеры? Вы всегда можете отключить рекламу.