Предложен новый метод решения задач дискретной оптимизации - [c.97]
Возникает задача вычислительной оценки с предварительным исключением абсурдных и неконкурентоспособных вариантов. Методы решения такой задачи находим, например в [31 ]. В основу их положен принцип представления процесса решения в виде многоступенчатой структуры. Каждая ступень связана с проверкой наличия тех или иных свойств у подмножества вариантов, по которым либо непосредственно сокращается исходное множество, либо подготавливается возможность такого сокращения в будущем. Одним из правил отсева бесперспективных вариантов является принцип монотонной рекурсивности, применяемый для решения задач дискретной оптимизации при пошаговом конструировании вариантов. [c.169]
Для решения данной динамической задачи дискретной оптимизации можно использовать метод динамического программирования. [c.311]
Для использования в планировании ЭММ необходимы экономико-математические модели, содержащие основные параметры процессов и выражающие их связи в виде уравнений или неравенств. В электротехнической промышленности накоплен значительный опыт оптимизации планирования. В наибольшей мере это относится к решению задачи перспективного планирования, развития, специализации и размещения отрасли и отдельных производств. Оптимизация планирования в отрасли позволяет учитывать в расчетах значительно большее число факторов, чем при использовании традиционных методов планирования, выбирать наилучший из вариантов в заданных условиях с точки зрения критерия оптимальности. За основу принимаются динамические производственные или производственно-транспортные модели в вариантной постановке с дискретными переменными. Вместе с тем в каждом конкретном случае учитывается специфика производства. [c.78]
Рассматриваемая задача выбора вариантов проектов (обобщенная распределительная задача) со структурными ограничениями вида 1), 2) и 3) может быть решена с помощью нечеткого метода ветвей и границ или L-алгоритм нечеткой дискретной оптимизации, разработанных в [12.7]. Для решения же рассматриваемой задачи с структурными ограничениями вида - 4) необходимо применение методов [c.496]
СКАЛЯРНАЯ ОПТИМИЗАЦИЯ [s alar optimization] — совокупность методов решения задач математического программирования, целевая функция которых представляет собой скаляр. Большинство задач, рассматриваемых в словаре (см. Линейное программирование, Нелинейное программирование, Дискретное программирование и др.), принадлежит к этому классу. Ср. Векторная оптимизация, Многокритериальная оптимизация. [c.330]
В [87] описывается очень популярный в последнее время метод решения различных дискретных задач оптимизации — метод имитации отжига, являющийся модификацией известного алгоритма Метрополиса. В [87] решается задача о разбиении графа на два подграфа с равным числом вершин и с минимальным числом ребер, соединяющих эти подграфы. Эта задача соответствует задаче назначения с р = 2. Вершины графа трактуются [c.147]
Разработан ряд стохастических методов решения поставленной оптимизационной задачи распараллеливания вычислений. В первом методе — стохастическом методе попарной оптимизации подграфов — поиск оптимального решения осуществляется за счет взаимного (стохастического) переноса вершин между различными парами подграфов графа алгоритма. Второй метод — метод Монте-Карло случайного блуждания вершин графа алгоритма по подграфам — основан на отождествлении вершин графа алгоритма с некоторыми частицами, совершающими случайные блуждания по областям-подграфам в потенциальном силовом поле, роль потенциала которого играет минимизируемый функционал. Наиболее вероятное состояние подобной системы частиц соответствует минимуму потенциала —-и, следовательно, является искомым решением. Поиск такого состояния осуществляется методом Монте-Карло с использованием специальной процедуры имитации отжига . Третий метод — стохастический метод наискорейшего спуска — основан на использовании дискретного аналога градиента минимизируемого функционала. Все разработанные методы реализованы программно и являются частью системы программ PARALLAX. Проведено тестирование созданных программ и сравнение их работы на простейших примерах. [c.166]
Формирование совокупности вариантов (сценариев) развития ТЭК БАССР может проводиться путем объединения наборов субоптимальных планов, где каждый такой набор есть результат решения одной ЗЛП (ЗЦП) с применением ППП ЛП в АСУ. Метод получения одного набора субоптимальных планов следующий. Первоначально решается ЗЛП (ЗЦП) с оптимизацией по выбранному критерию. В результате определяется (если задача имеет решение) оптимальное значение F соответствующего функционала F(x), где х — допустимое решение (план) соответствующей ЗЛП (ЗЦП). Рассматривая, для определенности, задачи максимизации 6, будем считать субоптимальными все планы х такие, что (1—6). /г < /7( с)< /г, где 0<б<1 задается достаточно малым (например, 6=0,1). Если ввести заданный набор дискретных точек foe [(1 —6) / ", F ], i = l,k, то решая ЗЛП (ЗЦП) k раз с тем же функционалом F(x), но с добавлением условия-ограничения Fjx)