Cuprins

1. Metoda simplex succesiv

2. Construirea simpexului iniial
3. Procedura de cutare a extremului
4. Optimizare fr restricii
5. Optimizarea neliniar fr restricii. Cazul convex
6. Partea Practica
7. Concluzii
8. Bibliografie

1. Metoda simplex succesiv

SCE 521 161M 48 LA

Mod Coala Docum. Semn. Data
A efectuat tefan N. Metodele optimizrii experimentale a Litera Coala Coli
A verificat estacova T. parametrilor obiectelor n sarcinile de 1 31
comand, proiectare i planificare.
Metoda gradient. Metoda simplex UTM FIMET
succesiv. MMRT-161M
 Coa

MMRT 161M 48 LA 2
Mod Coala Docum. Semn. Data

Metoda simplex este un procedeu de cutare experimental a extremului funciei.

Aplicarea acestei metode la cutare a extremului funciei-scop prevede efectuarea unui numr
minimal de experimente si a unui volum restricionat de calcule. Metoda este bazat pe
experimentul activ care se realizeaz conform unui plan special, fiecare linie al cruia
corespunde coordonatelor punctelor spaiului factorial. Punctele enunate sunt amplasate n
vrfurile simplexului.
Simplex se numeste o figur simpl geometric convex. Prin simplex n-dimensional, ce
const dintr-o mulime de (n+1) puncte, care nu aparin concomitent nici unui din subspaiile (n-
1) dimensionale ale spaiului n-dimensional dat. Numrul de vrfuri ale simplexului este
ntotdeauna cu o unitate mai mare dect dimensiunea spaiului n. n spaiul bidimensional (adic
n plan) simplexul va reprezenta un triunghi; n spaiul tridimensional o piramid triunghiular
(tetraedu).
Simplexul se numeste regulat, dac distana dintre toate punctele, care formeaz
simplexul (adic distana dintre vrfurile simplexului), este aceeasi. Efectund experimente n
vrfurile simplexului si deplasndu-l n direcia gradientului funciei-scop, poate fi atins rapid
extremul acesteia.

2. Construirea simpexului iniial

Orice cercetare experimental prin planificare activ prevede generarea planului iniial. n
metoda simplexului experienele se realizeaz n vrfurile simplexului, de aceea este necesar de
calculat coordonatele iniiale ale simplexului n spaiul vectorial.
Se va analiza una din metodele de calcul a coordonatelor vrfurilor simplexului iniial.
Pentru construirea simplexului iniial unul din vrfuri este plasat n originea de coordonate, iar
celelalte vrfuri sunt plasate astfel ca laturile care pornesc din primul vrf s formeze unghiuri
egale cu axele de coordonate corespunztoare (fig.1).
 Coa

MMRT 161M 48 LA 3
Mod Coala Docum. Semn. Data

Fig. 1. Simplexul iniial cu un vrf n originea de coordonate

Coordonatele vrfurilor simplexului n acest caz sunt date de matricea din tab.1, unde:

Lungimea l a laturii simplexului (adic distana dintre vrfurile simplexului) aici se egaleaz cu
unu (l=1). O astfel de construire este admisibil dac se trece de la valori absolute ale factorilor
Xi la cele relative xi iar originea de coordonate se plaseaz n punctul de baz al spaiului
factorial X*. n acest caz, ca lungime a laturii L putem lua distana dintre nivelurile de variere ale
factorului Xi, egal cu pasul varierii Xi, care n sistemul de coordonate relative ntotdeauna este
egal cu unitatea :
 Coa

MMRT 161M 48 LA 4
Mod Coala Docum. Semn. Data

3. Procedura de cutare a extremului

Determinarea experimental a optimului funciei se efectueaz cu ajutorul urmtoarei
proceduri:
1) Transformarea factorilor iniiali cu aa mod, ca varierea fiecrui factor cu o unitate s duc
aproximativ la aceeasi variere a funciei-scop, adic cutarea valorilor ce corespund
pasilor de variere i X .
2) Calculul coordonatelor simplexului iniial dup metoda descris mai sus.
3) Efectuarea experimentului n punctele ce corespund coordonatelor simplexului iniial si
msurarea valorii funciei scop.
4) nlturarea punctului planului, care are cea mai mic valoare a funciei-scop si construirea
unui simplex nou. Noul simplex se formeaz cu ajutorul vrfurilor rmase de la simplexul iniial
si cu noul vrf, obinut pe calea reflectrii vrfului nlturat fa de latura opus a simplexului
(n-1)-dimensional.
Coordonatele noului punct x* se calculeaz n felul urmtor:
 Coa

MMRT 161M 48 LA 5
Mod Coala Docum. Semn. Data

unde i - numrul variabilei x; k numrul vrfului simplexului iniial cu valoarea minimal a

funciei-scop. Valoarea funciei scop poate fi prognozat dup formula:

5) Efectuarea experimentului n punctul x k* nou si obinereavalorii corespunztoare Yk* a

funciei-scop.

Fig. 2. Traiectorii ale centrului simplexului in directia gradientului

6) Deplasarea succesiv a simplexului, n procesul creia la fiecare pas urmeaz nlturarea

vrfului simplexului cu cea mai mic valoare a funciei-scop si realizarea probei n vrful nou. n
acest caz, centrul simplexului se deplaseaz n direcia gradientului. Dou traiectorii posibile de
miscare a centrului simplexului sunt indicate n figura 2.
7) Dac la deplasarea simplexului unul din vrfuri si pstreaz poziia sa pe durata de (n+1)
pasi, atunci simplexul efectueaz un ocol al acestui vrf (fig. 3). Aceasta nseamn c n punctul
dat se afl optimul funciei-scop sau valoarea ei n acest vrf este incorect. Pentru a verifica ce
situaie are loc, n acest punct din nou se efectueaz experimentul si n continuare ne folosim de
noua valoare ale funciei-scop.
 Coa

MMRT 161M 48 LA 6
Mod Coala Docum. Semn. Data

Fig. 3. Comportamentul simplexului n vecintatea extremului

8) Dac mrimea funciei-scop n noul vrf al simplexuluil este mai mic dect n celelalte
vrfuri, atunci n corespundere cu logica miscrii trebuie s ne ntoarcem la simplexul
premrgtor. Pentru prentmpinarea ciclrilor se alege vrful ce trebuie s fie nlturat.
Miscarea de mai departe continu prin realizarea probelor n punctul situat simetric fa de vrful
nlturat.
9) Dac noul vrf iese din limita planului factorial, atunci trebuie s procedm ca n punctul 8.
10)Dup atingarea optimului, dimensiunea simplexului se micsoreaz (ca regul, de din
mrimea iniial).
11)Optimul se socoate atins, dac unul si acelasi punct intr n simplexurile succesive de N ori,
unde:

(Expresia (3) este cptat empiric). Alt condiie de atingere a optimului este:

unde este o mrime mic; Y - valoarea medie a funciei scop n vrfurile simplexului.
12)Dac eroarea experimentului este comparativ mare, atunci n fiecare vrf al simplexului
trebuie de efectuat cteva ncercri si de calculat valoarea medie care se foloseste n continuare.

4. Optimizare fr restricii
 Coa

MMRT 161M 48 LA 7
Mod Coala Docum. Semn. Data

4.1 Introducere Fie f o funcie numeric de n variabile pe care, pentru simplitate, o

presupunem definit i cu derivate pariale cel puin de ordinul doi n fiecare punct din R n.
Considerm problema de optimizare fr restricii:

f ( x * ) {inf f ( x) x R n }
(P) S se determine x*Rn cu proprietatea:

n legtur cu aceast problem, analiza matematic clasic furnizeaz urmtorul rezultat

fundamental:

Teorem Dac x* este un punct de extrem local al funciei f, atunci f(x*) = 0, unde
f f f
f ( x ) , ,...,
x1 x 2 x n
(4.1)

este gradientul funciei f. Reciproc, dac x* Rn este un punct n care condiia (1) are loc i n
plus matricea hessian H(x*) este pozitiv definit, unde

2 f
H ( x) 1 i, j n
xi x j

atunci x* este un punct de minim local al funciei f.

Prin urmare, soluia optim a problemei (P) trebuie cutat printre soluiile sistemului de
n ecuaii n n variabile, n general neliniar:

f f f
f ( x ) 0 0, 0,..., 0
x1 x 2 x n (4.2)

ns rezolvarea sistemului (4.2), cel puin n sensul uzual al termenului, este practic imposibil de
fcut n cvasitotalitatea cazurilor practice. Chiar i n cazul fericit n care, prin mijloace analitice
adic cu formule am putea gsi o soluie a sistemului (4.2) nu avem nici o garanie c
aceasta este soluia optim a problemei (P): ea ar putea fi foarte bine un punct de maxim local
sau un punct a sau, n cel mai bun caz, un minim local diferit de cel global! Astfel apare
necesitatea considerrii altor metode de abordare a problemei (P).

4.2 Principiul metodelor de optimizare fr restricii Ideea comun a tuturor

metodelor de minimizare nerestricionat (liber) este urmtoarea:
 Coa

MMRT 161M 48 LA 8
Mod Coala Docum. Semn. Data

Se genereaz un ir de puncte x0, x1, x2 din Rn, numite n continuare aproximaii. Punctul
iniial x0 este dat, alegerea sa fiind fcut de utilizator n funcie de specificul problemei (P). O
dat obinut aproximaia xk, noua aproximaie xk+1 se determin astfel:

Se alege o direcie de deplasare sk precum i un pas al deplasrii k ; sk este un vector nenul

sk 1
din Rn de regul ; k este un scalar pozitiv.

Se pune:
x k 1 x k k s k
(4.3)

n principiu, vectorul sk este astfel ales nct

prin deplasarea din xk n direcia sk, s se
obin cel puin n prima faz a deplasrii
o descretere a valorii funciei de minimizat f.
O dat stabilit direcia de deplasare sk, pasul
k se alege astfel nct:

f ( x k 1 ) f ( x k )
Figura
k 1
x x k s
k k
4.1
Prin urmare: xk

f ( x 0 ) f ( x1 ) f ( x 2 ) ... sk

Mai precis k se gsete prin minimizarea funciei de o

singur variabil:

g ( ) f ( x k s k ) 0 (4.4)
Pentru a obine o metod efectiv de minimizare este necesar s se precizeze:

modul de alegere a direciei de deplasare sk, k = 0,1,2,;

modul de alegere a pasului k altfel spus, modul n care se execut minimizarea funciei
unidimensionale g() din (4.4);
procedeul de oprire a procesului iterativ.
Decisiv n diferenierea metodelor concrete att n ceea ce fundamentul teoretic ct i
performanele numerice este prima chestiune, legat de alegerea direciei de deplasare.
 Coa

MMRT 161M 48 LA 9
Mod Coala Docum. Semn. Data

Este foarte important de reinut c dac funcia de minimizat nu are proprieti adiionale
bune, cum ar fi aceea de a fi convex, rezultatul aplicrii acestor metode se materializeaz n
cel mai bun caz, ntr-un minim local de regul cel mai apropiat de punctul iniial x0. n practic,
pentru a obine toate minimele locale i n particular minimul global, se procedeaz la repetarea
minimizrii din mai multe puncte iniiale, judicios alese.
Marea majoritate a metodelor de minimizare nerestricionat presupun difereniabilitatea
funciei obiectiv ; exist totui i scheme de minimizare pentru funcii nedifereniabile!

4.3 Gradientul unei funcii. Proprieti n ipotezele i notaiile precedente, o hipersuprafa de

nivel a funciei f este mulimea punctelor x ( x1 , x 2 ,..., x n ) R care satisfac o ecuaie de forma:
n

f( x ) = C, unde C este o constant. n cazul a dou (respectiv trei) variabile vom vorbi despre
curbe (respectiv,suprafee) de nivel. Astfel pentru funciile:

a ) f ( x1 , x 2 ) 2 x1 3 x 2 ; b) f ( x1 , x 2 ) 4 x1 2 x 2 x12 x 22
c ) f ( x1 , x 2 ) 2 x1 16 x 2 x12 4 x 22

curbele de nivel sunt: a) drepte paralele; b) cercuri concentrice; c) elipse concentrice (vezi fig.
4.2)

Gradientul funciei f este vectorul:

f f f
f ( x ) , ,...,
x1 x 2 x n

Acesta are urmtoarele proprieti:

n orice punct de extrem local x* al funciei f avem f(x*) = 0; reciproca nu este n general
adevrat.

Fie x R un punct n care f ( x ) 0 .Atunci s f (x ) este direcia de deplasare din x

n

corespunztoare celei mai rapide descreteri afunciei f. Analog, f (x ) este direcia celei mai
rapide creteri.

ntr-adevr, s considerm o direcie oarecare

s ( s1 , s 2 ,..., s n ) R n
, s 0 i funcia :
 Coa

MMRT 161M 48 LA 10
Mod Coala Docum. Semn. Data

f = -1
f=4

f=6

f=3

f =0
f = -5

f = -4

a) f = -13 b)

f = -17

c)

care indic variaia funciei f pe direcia de deplasare s din x . g ( ) f ( x s) 0

Figura 4.2

Exemplul 4.1 Considerm funcia patratic: f ( x1 , x 2 ) 16 x12 ( x 2 4) 2

Curbele sale de nivel sunt elipse cu centrul n punctul x (0,4) care reprezint i punctulde
*

minim global al funciei.Gradientul lui f:

f ( x1 , x 2 ) [32 x1 ,2 x 2 8]

n punctul x = (1,1) este nenul: f (x ) = (32,-6). Cea mai rapid descretere a funciei f plecnd

din x are loc pe direcia s f (x ) = (-32,6) vezi fig. 4.4

Atenie: pe direcia celei mai rapide descreteri, funcia nu descrete nencetat! Pentru ilustrare,
n exemplul de mai sus, s considerm un punct variabil pe direcia celei mai rapide descreteri
din x = (1,1):
x( ) x f ( x ) (1,1) (32,6) (1 32,1 6 ) 0

Pe aceast direcie, comportarea funciei f este descris de funcia:

g ( ) f ( x ( )) 16(1 32 ) 2 (6 3) 2 16420 2 1060 25

 25 x*

x2
MMRT 161M 48 LA Coa

7.893 Mod Coala Docum. ( x) f (Data

fSemn. x) 11

x ( ) x f ( x )
0 =0.032
a crei variaie este artat
x n fig.4.5
x1

f ( x )

Figura 4.4 Figura 4.5

Se observ c atunci cnd crete de la 0 la 0.032 (= punctul n care g() are valoarea minim),
funcia g i deci i funcia f scad de la valoarea 25 la valoarea 7.893 dup care ncep din nou s
creasc!
4.4 Criterii de oprire ale procesului iterativ de minimizare 1) Deoarece ntr-un punct de
minim local avem f(x*) = 0, procesul de minimizare se poate opri n momentul n care:

f
a) ( x k ) i 1,2,..., n
xi
sau:
2
n
f
b) ( x k )
i 1 xi

unde este un numr pozitiv foarte mic, ca de exemplu = 10-5.

1) De multe ori este preferabil s oprim procesul iterativ n momentul n care variaia funciei
obiectiv n dou aproximaii succesive nu depete o toleran dat:

f ( x k ) f ( x k 1 )

3) Se poate ntmpla ca, din cauza unei nefericite alegeri a aproximaiei iniiale x0 sau a
structurii funciei de minimizat, procesul iterativ, dei convergent, s fie foarte lent. n asemenea
 Coa

MMRT 161M 48 LA 12
Mod Coala Docum. Semn. Data

situaii, timpul de calcul poate atinge valori nepermis de mari. Vom evita acest inconvenient
limitnd din start numrul iteraiilor posibil de efectuat.
4.5 Minimizarea unei funcii de o singur variabil n seciunea introductiv am vzut
c toate metodele de minimizare nerestricionat a unei funcii f de maimulte variabile necesit
minimizarea unei funcii g() de o singur variabil.Deoarece minimizarea unidimensional se
efectueaz la fiecare iteraie a procesului de minimizare multidimensional este clar c
eficacitatea procesului multidimensional depinde de calitile procesului unidimensional.
n continuare vom presupune c n prealabil am localizat un punct de minim x* al funciei
g ntr-un interval (a,b) suficient de mic.

n general, metodele de minimizare unidimensional se bazeaz pe una din urmtoarele

idei:

Se aproximeaz funcia g pe intervalul (a,b) printr-un polinom de interpolare de grad doi sau
trei al crui punct de minim din (a,b) se determin uor pe baza unei formule. Punctul de minim
astfel calculat se consider a fi o bun aproximare a punctului de minim x* cutat.

Construcia polinomului de interpolare se poate face folosind:

numai evaluri ale funciei g (n cteva puncte);

evaluri att ale funciei g ct i ale derivatei sale.
De exemplu:
putem construi un polinom de interpolare de gradul trei utiliznd valorile funciei g i ale

derivatei sale g n punctele a i b ce mrginesc punctul de minim cutat.

putem construi un polinom de interpolare de gradul doi utiliznd valorile funciei g n a i b

precum i ntr-un al treilea punct c (a,b) de obicei se ia c 2 (a b) .

1

Se micoreaz progresiv intervalul (a,b) la un interval ( a , b ) care de asemenea conine pe x*

i a crui lungime este inferioar unei tolerane date:

b a cu 0 numr foarte mic.

Atunci orice punct x din (a , b ) aproximeaz x* cu tolerana n sensul c:

 Coa

MMRT 161M 48 LA 13
Mod Coala Docum. Semn. Data

x x*

Micorarea intervalului (a,b) se face cu ajutorul evalurii funciei g i/sau ale derivatei sale ntr-
un numr de puncte din interiorul lui (a,b). Cele mai cunoscute metode de acest fel sunt metoda
biseciei succesive, metoda seciunii de aur i metoda Fibonacci.

n figura 6.6 este prezentat schema logic a metodei biseciei succesive ; justificarea metodei
rezult imediat din situaiile ilustrate n figurile 4.7a) i 4.7b)
Pentru a nelege modul de aciune al metodelor bazate exclusiv pe evaluarea funciei de
minimizat n diferite puncte sunt necesare cteva pregtiri.
 Figura 4.7 a)

Coa
MMRT 161M 48 LA 14
Mod Coala Docum. Semn. Data

Figura 4.7 b)
Figura 4.6

a x x* b START

a a; b b

x 12 (a b )

g ( x )

g ( x )

g ( x ) 0 a : x
a x* x b

b : x

b a

x* x
 MMRT 161M 48 LA Coa

Data
15
Mod Coala Docum. Semn.

a x* b

Deoarece n intervalul de localizare (a,b) am presupus c f are un unic punct de minim x* (vezi
fig. 6.8) urmeaz c oricare ar fi x1 < x2 din (a,b) :

f ( x1 ) f ( x 2 ) dac x1 x 2 x *
i
f ( x1 ) f ( x 2 ) dac x * x1 x 2

Alegem dou puncte xS i xD n (a,b)

astfel nct xS < xD pe care le vom
numi puncte interioare. Dac
f ( x S ) f ( x D ) ,atunci cu necesitate

x* se va afla n intervalul (a,xD).

Figura 4.8

Dca din contr, f ( x S ) f ( x D ) , atunci cu siguran x* va fi n (xS,b).Cele dou situaii sunt

ilustrate n figurile 4.9a) i 4.9b).
 Coa

MMRT 161M 48 LA 16
Mod Coala Docum. Semn. Data

Figura 4.9a) Figura 4.9b)

a xS x* xD b a xS x* xD b
Observm c noul interval mai mic conine cu necesitate unul din punctele interioare alese. Dac
n noul interval mai mic alegem nc un punct interior putem repeta consideraiile precedente.

Metodele de minimizare unidimensional bazate pe evaluri multiple se difereniaz prin

modul de alegere a celor dou puncte interioare xS i xD.

5 1
r 0.618034
Vom descrie n continuare metoda seciunii de aur. Fie 2 .
START. Iniializm:

extremitile intervalului curent (a , b ) care conine punctul de minim x* cutat:

a a b b
punctele interioare:

xS a r 2 h x D a r h unde : h b a

Evalum funcia f n xS i xD.

 Coa

MMRT 161M 48 LA 17
Mod Coala Docum. Semn. Data

Coninutul unei iteraii:

Pasul 1. Se compar f ( x S ) cu f ( x D ) . Dac:

f ( x S ) f ( x D ) se merge la pasul 2.

f ( x S ) f ( x D ) se merge la pasul 3.

Pasul 2. ( x* se afl n intervalul (a , x D ) i tot aici se gsete i xS)

Actualizm:
b xD ; h b a

Dac h < se merge la pasul 4. Altminteri, actualizm:

xD xS ; xS a r 2 h

Evalum f n (noul) xS. Ne ntoarcem la pasul 1 n cadrul unei noi iteraii.

Pasul 3. ( x* se afl n intervalul ( x S , b ) i tot aici se gsete i xD)

Actualizm:
a xS ; h b a

Dac h < se merge la pasul 4. Altminteri, actualizm:

xS x D ; xD a r h

Evalum f n (noul) xD. Ne ntoarcem la pasul 1 n cadrul unei noi iteraii.

a b
x*
Pasul 4. 2 .
4.7 Metoda gradientului (Cauchy)

La fiecare iteraie a algoritmului din fig.6.10 direcia de deplasare este dat de relaia:

s k f ( x k )

k
cu condiia ca f ( x ) 0.

k
Aceast opiune se bazeaz pe faptul c f ( x ) este direcia celei mai rapide descreteri din
xk.
 Coa

MMRT 161M 48 LA 18
Mod Coala Docum. Semn. Data

Caracteristic acestei metode este faptul c dou direcii de deplasare consecutive sunt
perpendiculare! ntr-adevr, dat direcia sk, lungimea pasului k al deplasrii se afl, aa cum s-a
mai spus, minimiznd funcia unidimensional:

g ( ) f ( x k s k ) , 0

Prin urmare g ( k ) 0 .Am vzut c: g ( ) s f ( x s ) - a se revedea seciunea 6.3!
k k k

aa nct:
g ( k ) 0 s k f ( x k k s k ) 0 s k f ( x k 1 ) 0 s k s k 1 0

Pentru funciile sferice de forma:

n n
f ( x1 , x 2 ,..., x n ) c 0 ci xi xi2 c 0 cx x
2
c (c1 , c 2 ,..., c n )
i 1 i 1
 MMRT 161M 48 LA Coa

Coala Docum. Semn. Data

19
Mod
START START

Se introduc datele problemei de

minimizare: funcia f, aproxima-
criteriilor ia x0 de start,parametrii
de oprire(nr. maxim de iteraii,
precizia calculului

k=0

BLOCUL D: Se determin direcia sk de deplasare din aproximaia curent xk

BLOCUL P Se alege pasul deplasrii k prin minimizarea funciei unidimensionale g() = f(xk + sk) , 0

Se calculeaz noua aproximaie:

xk+1 = xk + ksk

BLOCUL O
k=k+1 NU Sunt verificate criteriile de
oprire ale procesului de calcul?

DA

Se cerceteaz dac ultima aproximaie

calculat poate constitui o aproximare
acceptabil pentru soluia problemei
de minimizare

STOP

Figura 4.10
 Coa

MMRT 161M 48 LA 20
Mod Coala Docum. Semn. Data

metoda gradientului ofer punctul de minim (global) ntr-o singur iteraie, indiferent de
aproximaia iniial x0 (vezi fig. 4.11a) Pentru orice alt funcie irul de aproximaii:

x0 , x1 , x2 ,. pentru care f(x0) > f(x1) > f(x2) >

conduce n general la un optim local.

Principalul neajuns al metodei gradientului const n faptul c paii succesivi sunt

perpendiculari fapt care, n cazul anumitor funcii, conduce la o convergen foarte lent. Mai
precis, dac hipersuprafeele de nivel au o oarecare excentricitate zig zagul procesului
iterativ amendeaz convergena,deoarece n acest caz direcia gradientului este mult diferit de
direcia ctre minim (vezi fig. 4.11b)
Exist scheme de minimizare mult mai eficiente dintre care cea mai puternic pare a fi
metoda Davidon Fletcher Powell [3]. n principiu,aceste metode garanteaz obinerea
minimului unei funcii patratice de n variabile n cel mult n pai.
Exemplu numeric Vom efectua cteva iteraii pentru cutarea minimului funciei:

f ( x1 , x 2 ) x 2 x12 2 x1 x 2 2 x 22

cu metoda gradientului. Punctul de plecare x0 = (1,1)

Gradientul funciei:
f f
f , 2 x1 2 x 2 , 1 2 x1 4 x 2 x0
x1 x 2
x2 x1
Iteraia 1
f(x0) = [0,1] x*
s0 = -f(x0) = [0,-1]
x()= x0 + s0 = [1,1] + [0,-1] = [1,1 - ] , > 0
g() = f(x()) = 22 - are un minim n 0 = Figura 4.12
x1 = x(1/4) = [1,3/4]

Iteraia 2
f(x1) = [1/2,0]
s1 = -f(x1) = [-1/2,0]
x()= x1 + s1 = [1,3/4] + [-1/2,0] = [1 - /2,3/4] , > 0
g() = f(x()) = 4 4 8 are un minim n =
1 2 1 1
1

x = x(1/2) = [3/4,3/4]
2
 Coa

MMRT 161M 48 LA 21
Mod Coala Docum. Semn. Data

Iteraia 3
f(x2) = [0,1/2]
s2 = -f(x2) = [0,-1/2]
x()= x2 + s2 = [3/4,3/4] + [0,-1/2] = [ 4 , 4 2 ] , > 0
3 3 1

Curbe de nivel

direcia celei mai rapide

descreteri x*
x* x1
x2
x0 x1

x0

a) Cazul funciilor sferice b) Cazul funciilor nesferice

Figura 4.11

g() = f(x()) = 4 16 are un minim n 2 = 1/4

11 32
2

x3 = x(1/4) = [3/4,5/8]

La iteraia 4 se obine [5/8,5/8] .a.m.d. Funcia dat este convex (exerciiu!) avnd un
minim n x* = [1/2,1/2]. n figura 4.12 se poate constata apropierea n zig zag a punctelor
x0 , x1 , x3 de x*.

5. Optimizarea neliniar fr restricii. Cazul convex

Relum problema de optimizare general sub forma:

(P) S se determine x* A Rn cu proprietatea: f(x*) = inf {f(x) , x A}

unde A ,numit i mulimea soluiilor admisibile ale problemei (P) este definit de o mulime de
restricii:
gi(x) 0 i M = {1,2,...,m}

Pentru simplificarea expunerii, eventualele condiii de nenegativitate xj 0 au fost incluse n

blocul restriciilor sub forma: -xj 0.
Presupunem c funciile f i g1 , g2 ,..., gm sunt definite n ntreg spaiul Rn, sunt convexe i
difereniabile i cel puin una dintre ele este neliniar, altminteri (P) ar fi un program
liniar.Astfel, (P) este o problem de programare convex.
 Coa

MMRT 161M 48 LA 22
Mod Coala Docum. Semn. Data

Reamintim c n acest context:

A este o mulime convex i nchis;

orice minim local al funciei f pe mulimea A este un minim global
Metodele de optimizare cu restricii se mpart n trei categorii:
1) Metode bazate pe adaptarea schemei generale de optimizare nerestricionat la cazul
prezenei restriciilor; aceste metode poart numele generic de metode de gradient.
2) Metode bazate pe utilizarea funciilor de penalizare : rezolvarea problemei (P) se
reduce la o suit (teoretic infinit) de optimizri nerestricionate.
3) Metode bazate pe plane de seciune; n principiu,aceste metode "aproximeaz" A
printr-o mulime poliedral adic printr-o mulime ce poate fi descris printr-un sistem de
inegaliti liniare; rezolvarea problemei (P) se reduce la o secven (infinit) de optimizri
liniare efectuate cu ajutorul algoritmului simplex.

g(x) = 0 g(xk)

xk -f(xk)

A
xk+1

x0 x*

Figura 5.1

5.1 Principiul metodelor de gradient

Aplicarea schemei generale de minimizare nerestricionat trebuie s in seama de urmtoarele

aspecte:

1* de regul soluia optim x* a problemei (P) se gsete pe frontiera lui A , adic

satisface cu egalitate cel puin una din restriciile gi(x) 0, i M.
2* chiar dac se pleac de la un punct iniial x0 situat n interiorul lui A ( gi(x) <
0,i M) se ajunge relativ repede la un punct xk situat chiar pe frontier altfel spus care satisface
cu egalitate o parte din restriiile problemei (P):
 Coa

MMRT 161M 48 LA 23
Mod Coala Docum. Semn. Data

gi(xk) = 0 ,
ntr-o atare situaie, direcia celei mai rapide descre i I M
teri -f(xk) s-ar putea s nu mai fie admisibil adic:

x( ) x k f ( x k ) A () > 0
(vezi fig. 5.1)

Introducem urmtoarea terminologie:

1* o direcie s (s Rn, s 0) se va numi admisibil relativ la punctul curent xk+1
dac o deplasare suficient de mic din xk pe direcia s ne menine n A ;
2* direcia s se va numi utilizabil dac deplasarea din xk pe direcia s duce la
scderea valorii funciei obiectiv.
Se poate arta c o direcie s este admisibil i utilizabil relativ la punctul curent xk dac i
numai dac s satisface condiiile:
s gi ( x k ) 0 i I

s f ( x k ) 0
(5.1)
O dat stabilit direcia de deplasare sk din xk - direcie care verific condiiile (7.1) - pasul k se
alege astfel nct noua aproximaie :

(y)
xk+1 = xk + ksk
s aibe proprietile:
M
xk+1 A ( gi(xk+1) 0 , i M) i f(xk+1) < f(xk)

Cu acest amendament - y legat de modul de alegere a

direciei de deplasare - schema general de
Figura 5.2
minimizare nerestricionat
funcioneaz i n cazul prezenei restriciilor.
 Coa

MMRT 161M 48 LA 24
Mod Coala Docum. Semn. Data

5.2 Principiul metodelor bazate pe funcii de penalizare

n esen, aceste metode ncorporeaz restriciile problemei (P0 n funcia obiectiv prin
intermediul unei funcii care penalizeaz nerespectarea lor.
Pentru ilustrare s considerm funcia
(y)

0 daca y 0
(y)
y 2 daca y 0
y

Figura 5.3

0 daca y 0
( y ) unde M 0
M daca y 0
al crei grafic este dat n fig 5.2. Considerm problema de minimizare fr restricii:

infF ( x ) f ( x ) ( gi ( x ))
i M
( P' )
n
x R
Evident:

f ( x ) daca x A
F( x )
M daca x A
n consecin,orice procedeu de minimizare a funciei F se va orienta ctre punctele mulimii A
i deci va minimiza funcia original f. Dificultatea major rezid n faptul c funcia de
penalizare are o discontinuitate n 0 care atrage dup sine discontinuitatea funciei F pe
frontiera lui A ! Cum de regul punctul de optim x* se afl pe frontier, metodele de minimizare
bazate pe gradient nu sunt aplicabile deoarece gradientul funciei F nu este definit pe frontiera lui
A.
Totui ideea de a aduga un termen la expresia funciei f care s penalizeze o eventual "ieire"
din A i de a minimiza "liber" funcia rezultat poate fi salvat utiliznd n locul funciei o
funcie mai puin "rigid" care s aibe proprietile de regularitate (continuitate,
difereniabilitate) reclamate de utilizarea metodelor de gradient. Un exemplu ar putea fi funcia:
 Coa

MMRT 161M 48 LA 25
Mod Coala Docum. Semn. Data

cu ajutorul creia construim problema de minimizare fr restricii

infF ( x ) f ( x ) ( gi ( x ))
i M
( P' )
n
x R

Acum,penalizarea pentru ieirea n afara mulimii A nu mai este "infinit" astfel c soluia
optim a problemei (P') ar putea s nu fie n A , altfel spus ar putea nclca unele restricii.Pentru
a diminua aceste nclcri amplificm efectul penalizrii nmulind termenul de penalizare cu o
constant r > 0 suficient de mare. (P') devine:

infF ( x ) f ( x ) r ( gi ( x ))
i M
( P )
n
x R

Introducerea multiplicatorului r mrete excentricitatea hipersuprafeelor de nivel ale

funciei F; or, este tiut c excentricitatea pronunat influeneaz negativ viteza de convergen a
tuturor algoritmilor de minimizare nerestricionat.

Dificultile semnalate au condus la urmtoarea schem de lucru. n locul rezolvrii unei singure
probleme de minimizare fr restricii se va rezolva o secven de asemenea probleme. Concret,
se ncepe rezolvarea problemei (P'') cu o constant r0 nu prea mare; fie x0 soluia optim. Dac x0
A se reia (P'') cu un multiplicator r1 > r0 utiliznd x0 ca aproximaie iniial. Fie x1 noua soluie
optim. Dac nici x1 A schimbm r1 cu r2> r1 etc. Se poate arta c dac rk atunci irul x0 ,
x1 , x2 ...converge ctre soluia optim a problemei cu restricii (P).

S observm c soluiile intermediare x0 , x1 , x2 ... nu sunt admisibile i din acest punct

de vedere metoda descris seamn cu algoritmul simplex dual din programarea liniar. Acest
fapt poate fi un serios dezavantaj deoarece dac pentru anumite restricii nu sunt permise nici
cele mai mici nclcri atunci nici o soluie intermediar nu poate fi reinut n caz de oprire a
procesului iterativ.
 Coa

MMRT 161M 48 LA 26
Mod Coala Docum. Semn. Data

Partea Practic
1. Sarcin:

n calitate de model de cercetare folosim schema amplificatorului de tensiune. Compunem

schema pe baza tranzistorului Q1 Zetex FZT658 n versiune electronic n mediul EWB.
Alctuind schema introducem n ea urmtoarele valori ale parametrilor.
Parametrii constani:
Ualim = + 12 V
Uin = 2mV, f = 0.1 MHz
C1 = 1F
R1 = 47 k
R2 = 4.7 k
C2 = 100pF
L1=25mH
Factorii variabili sunt:
Parametrii variabili:
Min (-) Max (+)
X1 R3 = 430 120
X2 R4 = 90 k 40 k
X3 3 = 50 pF 70 pF
X4 4 = 0.07 F 0.02 F
Construim n EWB urmtoarea schem a amplificatorului:
 Coa

MMRT 161M 48 LA 27
Mod Coala Docum. Semn. Data

Fig. 6. Schema principial a amplificatorului de tensiune.

Pentru calcularea parametrului optimal calculam coordonatele inceputului simplexului.

1
P= (n-1+ n+1 );
n 2
1
q= ( n+1 -1).
n 2
Prezentam datele in tabel.
Tabelul 1. Calculul p si q.

n 4
p 0,925614793
q 0,218508012

Introducem in tabel parametrii variabili si valorile lor.

Tabelul 2. Introducerea valorilor elementelor

X1 X2 X3 X4
R3,Ohm R4,Ohm C3,F C4,F
0,00000000005 0,000000070
Xb 430,00 90000,00 0 0
0,00000000006 0,000000074
' X 522,56 92185,08 1 4
0,00000000006 0,000000074
'' X 451,85 99256,15 1 4
0,00000000009 0,000000074
''' X 451,85 92185,08 6 4
 Coa

MMRT 161M 48 LA 28
Mod Coala Docum. Semn. Data

0,00000000006 0,000000088
'''' X 451,85 92185,08 1 5

In acest tabel am introdus parametrii variabili si alegem puncul de baza al simplexului. Alegem
pasul pentru fiecare factor. Pentru calculul coeficientului de amplificare optimal folosim metoda
urmatoare.

Tabelul 3. Metoda de calcul al simplexului

Aflam mai departe x1, x2,... y, ku.

Tabelul 4. Calculul x1, x2,... y, ku.

Nr Coordonatele inaltimilor
inaltimi X1,R3,Ohm X2,R4,Ohm X3,C3,F X4,C4,F Uies Ku
0,00000000005 0,000000070
1 430,00 90000,00 0 0 4,23 211,500
0,00000000006 0,000000086
2 913,69 110143,18 3 3 2,85 142,5
0,00000000006 0,000000086
3 544,18 175327,87 3 3 6,76 338
0,00000000010 0,000000086
4 544,18 110143,18 6 3 4,31 215,5
0,00000000006 0,000000138
5 544,18 110143,18 3 8 4,51 225,5
0,00000000007 0,000000104 Valoarea
2' 117,59 132663,94 8 4 8,30 415 maxima
0,00000000002
4' 273,79 143924,32 1 0,0000001135 7,23 361,5
0,00000000004 0,000000048
5' 138,60 160814,88 3 2 7,97 398,5
0,00000000003 0,000000081
3' 64,20 88373,70 3 8 7,29 364,5
0,00000000006 0,000000086
4'' 415,79 175327,87 3 3 8,07 403,5
3'' 304,19 66666,09 0,00000000004 0,000000136 4,16 208
 Coa

MMRT 161M 48 LA 29
Mod Coala Docum. Semn. Data

8 6
0,00000000004 0,000000048
5'' 138,60 160814,88 3 2 7,97 398,5

0,00000000007 0,000000104
2' 117,59 132663,94 8 4 8,30 415
0,00000000009 0,000000120
6 535,83 154352,20 1 7 6,31 315,5
0,00000000009 0,000000120
7 216,32 224536,90 1 7 8,75 437,5
0,00000000013 0,000000120
8 216,32 154352,20 4 7 8,49 424,5
0,00000000009 0,000000173
9 216,32 154352,20 1 2 8,36 418
0,00000000010 0,000000138
6' 152,55 178600,42 6 8 8,90 445
0,00000000004 0,000000147
9' 135,07 190724,53 9 9 8,85 442,5
0,00000000007 0,000000161 Valoarea
8' 94,44 103633,65 1 5 8,47 423,5 optimala
0,00000000006 0,000000103
7' 33,50 148459,06 1 1 8,65 432,5
0,00000000009 0,000000173
8'' 216,32 154352,20 1 2 8,37 418,5
0,00000000009 0,000000120
7'' 216,32 224536,90 1 7 8,75 437,5
0,00000000007 0,000000161
9'' 94,44 103633,65 1 5 8,47 423,5

Fixnd rezistoarele R3-R4 si condensatoarele C3 si C4 n poziiile declarate si conectnd

dispozitivul, aplicm la intrarea amlificatorului un semnal alternativ cu tensiunea 2 mV si
frecvena 1kHz. n coloana Y sunt nscrise valorile coeficienilor de amplificare, obinui la
realizarea simplexului linie cu linie.
Deoarece problema const n atingerea valorii maxime a coeficientului de amplificare,
atunci, conform procedeului, nlturm vrful cu valoarea cea mai mic a rezultatului.
Astfel, simplexul obinut dup pasii ultimi la fel se poate de socotit optimal. De obicei ne
oprim la acea condiie a optimului care are loc prima.
n rezultatul executrii lucrrii se obine valoarea maximal a coeficientului de
amplificare, egal cu 415 si o valoare optima de amplificare de 423.5 pentru un set de valori ale
rezistenelor R3-R4 si condensatoarelor C3 si C4.
 Coa

MMRT 161M 48 LA 30
Mod Coala Docum. Semn. Data

Concluzii:

Efectund aceasta lucrare am studiat metoda simplex pentru gasirea parametrului optimal.
Aceasta metoda este utilizata pentru elemente compuse care au o structura complexa.
Am calculat parametrul optimal y pina cnd am ajuns la o valoare aproximativ constanta.
Deaceea putem constata ca simplexul incepe sa se roteasca in jurul axei sale, ceea ce inseamna
ca y tinde spre minimum.
Am efectuat calculele dupa 2 pasi: mai intii cu pasul mic, de aceea si precizia a fost mai
buna.
O metoda mai rapida pentru a ajunge in virf este de a efectua calculele dupa un pas mai
mare si respective sa micsoram x si sa parcurgem ciclul.
 Coa

MMRT 161M 48 LA 31
Mod Coala Docum. Semn. Data

Bibliografie :

1) http://www.asecib.ase.ro/Nica/CO/BCO/capitolul14.pdf
2) http://www.universitatea-
cantemir.ro/CursuriRei/documente/MatAplEcon_Tema_13_Note_curs.pdf
3) https://ro.wikipedia.org/wiki/Algoritm_simplex
4) http://elth.ucv.ro/student1/Cursuri/Ciontu%20Marian/Optimizari/programare
%20liniara.pdf
5) https://users.info.uvt.ro/~mmarin/lectures/CSI/Curs-1-2.pdf