Documente Academic
Documente Profesional
Documente Cultură
Optimizarea Proceselor Tehnologice PDF
Optimizarea Proceselor Tehnologice PDF
Ed. LuxLibris
2006
i
Prefaţă.
Autorul.
ii
Cuprins.
1.6.3.1.Ipoteza I3 31
1.6.3.1. Ipoteza I4 32
1.6.4 Testarea ipotezelor asupra mediilor şi varianţelor a douã populaţii. 33
1.6.4.1 Ipoteza I5 33
1.6.4.2 Ipoteza I52 34
1.6.4.3 Ipoteza I53 35
1.6.5. Ipoteza I6 36
1.6.6. Ipoteza I7 37
1.6.7. Ipoteza I8 38
1.6.8 Testarea ipotezelor ce se referã la mediile şi varianţele ce aparţin mai
multor populaţii. 39
1.6.8.1. Ipoteza I9: 39
1.6.8.2. Ipoteza I10: 41
1.6.8.3. Ipoteza I11: 43
1.7. Alegerea parametrilor şi variabilelor de stare ale obiectului cercetării. 44
Programarea experienţelor.
1.7.1. Consideraţii generale. 44
1.7.2. Modul de determinare al variabilelor de stare. 44
1.7.3. Alegerea parametrilor procesului. 44
1.7.4. Experimentul preliminar. 44
1.7.5. Analiza dispersională. 45
1.7.5.1. Analiza dispersională a fenomenelor ce depind de un singur 45
parametru.
1.7.5.2. Analiza dimensională multifactorială sau multiparametru. 48
1.7.6. Analiza de corelaţie. 55
1.7.6.1. Covarianţa a două variabile aleatoare. 55
1.7.6.1.Corelaţia multiplă. 55
1.7.6.2.Corelaţia parţială. 56
1.7.6.3.Verificarea semnificaţiei coeficienţilor de corelaţie. 57
Bibliografie 199
vi
1
Capitolul 1.
Capitolul 1.
1.1 Introducere.
Dacã dintr-o populaţie Po este extras un eşantion Es format din n indivizi, care au
caracteristicile xi ; i = 1,2, .. , n ; atunci, calculând abaterea de la media aritmeticã cu
relaţia:
2
Capitolul 1.
~ h
x= x (1.1)
h
Rezultã domeniul de valabilitate al mãrimilor mãsurate, xi ∈ [x − ~ x ].
x, x + ~
Valorile mãsurate care se încadreazã în domeniul acceptat vor fi considerate normale, în
timp ce valorile ce nu se încadreazã în domeniu vor fi eliminate. Dar în urma eliminãrii de
date testul trebuie refãcut.
∑x i
x= i =1
n
unde:
S - abaterea patraticã medie
x - media aritmeticã,
Mãrimea hx fiind cititã din tabelul Chauvenet, depinzând doar de numãrul de mãsurãtori.
n hx n hx n hx n hx n hx n hx
5 1,16 7 1,27 9 1,35 11 1,44 16 1,52 20 1,58
6 1,22 8 1,32 10 1,39 14 1,49 18 1,56 24 1,63
Exemplul 1. În urma unor mãsurãtori asupra unui eşantion s-au obţinut urmãtoarele
date primare X = [ 12, 12, 6, 8, 5, 10, 11, 8, 7, 9, 9, 12, 10, 12 ] se cere sã se testeze
normalitatea lor:
Se calculeazã:
x=
∑x i 131
= ≅ 9,357 ;
n 14
S = ∑ ( xi − x) 2 ≅ 71,214 ;
n 14
h= = = 0,31352
2⋅S 2 ⋅ 71,214
xmin im = x − ~
x ≅ 4,752486 ; x max im = x + ~
x ≅ 14,109628
Valoarea ordonatã 2 2 2 3 3 3 3 5 5 6 6
Indicele din tabel 1 2 3 4 5 6 7 8 9 10 11
(1) (2) (3) (4) (5)
b) pentru n = 10 mãsurãtori
Tabelul 1.2b) Cazul numãrului par de mãsurãtori. Prelucrarea şirului de mãsurãtori.
Valoarea ordonatã 2 2 2 3 3 3 3 5 5 6
Indicele din tabel 1 2 3 4 5 6 7 8 9 10
*Noua Valoare 2 2 2 3 3 3 3
Esf=(3+3) / 2
* Noul indice 1 2 3 4 5 6 7 8 9 10 11
(1) (2) (3) (4) (5)
max E S − min E S
Ij = (1.5)
1 + 3,322 ⋅ log(n)
unde:
m = IV I j (1.6)
fj
pj = (1.7)
n
fj
∑p =∑ nj =1 (1.8)
Un numãr mare de intervale (sau clase de date ) produce perturbaţii ale mãrimilor
statistice din cauza fluctuaţiei mãsurãtorilor.
Mãrimea intervalelor trebuie sã fie egalã pentru a uşura procesul de calcul.
5
Capitolul 1.
a j + a j +1
o E ij = (1.9)
2
Iv = 77 - 24 = 53
Ij = 77 / (1+3,322*log(144))=6,487
m = Iv / Ij = 53 / 6,487 = 8,17001
Ij’=5,89.
Ι1 ∈ [ 24...29,89 ]
Ι2 ∈ [ 29,89 ... 35,78 ]
Ι3 ∈ [35,78 ... 41,67 ]
Ι4 ∈ [41,67 ... 47,56 ]
Ι5 ∈ [ 47,56 ... 53,45 ]
Ι6 ∈ [ 53,45 ... 59,34 ]
Ι7 ∈ [ 59,34 ... 65,23 ]
Ι8 ∈ [ 65,23 ... 71,12 ]
Ι9 ∈ [ 71,12 ... 77,01 ]
35 50 49 50 48 46 47 56 49 58
49 47 39 37 42 49 48 46 47 44
42 34 54 45 52 44 39 54 34 45
45 46 44 42 47 36 49 38 46 53
51 40 36 49 48 43 46 45 42 34
43 44 46 45 45 45 56 52 57 43
48 45 44 47 40 51 55 43 46 48
1 n
x= ∑ xi
n 1
(1.10)
1 m m
x= ∑ j j ∑
n 1
f ⋅ x =
j =1
pj ⋅ xj (1.11)
∑ (x − x ) = 0i (1.12)
∑ ( x − x ) ≤ ∑ (const. − x );∀const ≠ x
i i (1.13)
n
xG = n ∏x
i =1
i (1.14)
11
Capitolul 1.
Analizând faptul cã datele din fiecare an se referã la datele din anul precedent, se
observã cã problema poate fi redusã la determinarea unei rate constante de creştere
a beneficiului, sub forma (ratã constantã)3 = X1 X2 X3 ceea ce justificã aplicarea
mediei geometrice la determinarea beneficiului mediu.
n
xA = n
(1.15)
∑ (1 x )
1
i
fiind utilizatã de regulã în determinarea vitezei medii de sudare în cazul îmbinãrii sudate
realizate din mai multe treceri, executate cu parametrii diferiţi de sudare.
Exemplul 5. La sudarea unei îmbinãri sudate, executat din patru straturi, vitezele
de sudare pentru acestea sunt:
Stratul 1 2 3 4
Viteza de sudare 45 40 35 30
[ cm / min ]
Avantajele utilizãrii intervalului mediu constau în faptul cã acesta poate înlocuii în cazul
unui calcul rapid media aritmeticã iar dezavantajul constã în faptul cã luând în
12
Capitolul 1.
considerare doar cele douã extreme, eroarea faţã de media aritmeticã poate fi
substanţialã.
∑x
i =1
i = 0 ⋅1 + 1 ⋅ 2 + 1 ⋅ 3 + 2 ⋅ 4 + 3 ⋅ 5 + 3 ⋅ 6 + 2 ⋅ 7 + 1 ⋅ 8 + 1 ⋅ 9 = 77
x Po =
∑x i
=
77
= 5,5
n 14
x Po =
∑x i
=
1 ⋅ 2 + 1 ⋅ 3 + 2 ⋅ 4 + 3 ⋅ 5 + 2 ⋅ 6 + 1 ⋅ 7 + 1 ⋅ 8 + 2 ⋅ 20 + 1 ⋅ 21
= 8,2857
n 14
Unele lucrãri definesc medianul ca fiind mãsurãtoarea care ocupã poziţia din mijloc în
urma operaţiei de ordonare a datelor statistice. Dacã vom nota medianul astfel definit cu
ME’ atunci în cazul unui numãr impar de mãsurãtori,
iar în cazul unui numãr par de mãsurãtori, deoarece elementul x0,5(n+1) nu existã, prin
convenţie medianul se calculeazã cu relaţia:
13
Capitolul 1.
Figura 1.6 Modul de distribuţie a 14 mãsurãtori în scopul ilustrãrii poziţiei mediei aritmetice
şi a medianului.
M E ' = x n + x n 2 . (1.17b)
2 +1
2
Deci ME’ este media aritmeticã a datelor ce limiteazã mijlocul şirului de mãsurãtori.
1.3.6. Modulul MD reprezintã data statisticã care este cel mai des întâlnitã în
mãsurãtorile asupra populaţie sau eşantionului. Este de remarcat faptul cã modulul
apare rareori în zona centralã fiind de asemenea dese cazurile când se întâlnesc mai
multe module în cadrul datelor mãsurate.
14
Capitolul 1.
- Intervalul ( R )
- Varianţa ( V )
- Deviaţia standard la populaţie ( σ )
- Deviaţia standard la mãsurãtorile din eşantion ( s )
- Coeficientul de variaţie ( cV )
- Deviaţia medie de la valoarea datã ( DM )
- Eroarea standard a mediei ( sx )
R = xmax - xmin
1.4.2. Varianţa populaţie reprezintã abaterea pãtraticã raportatã la numãrul de indivizi din
populaţie. Astfel, în cazul în care populaţia conţine N “indivizi” şi asupra fiecãrui individ în
parte s-a efectuat mãsurãtoarea, atunci, în urma calculãrii mediei aritmetice a populaţiei,
poate fi determinatã varianţa populaţiei cu relaţia:
N N 2 1 N 2
∑ (x − x )
1 1
V P0 = = ∑ x i − ∑ xi
2
i (1.18)
N 1 N 1 N 1
1m
2
1 m
V P0 = ∑ f j ⋅ xi − ∑ f j ⋅ x j
2
(1.19)
N j =1 N j =1
1.4.3. Varianţa eşantionului reprezintã abaterea pãtraticã medie a datelor din eşantion,
raportatã la numãrul de indivizi din eşantion (n). Deoarece eşantionul conţine mult mai
puţini indivizi decât populaţia, prin convenţie se aplicã relaţia:
1 n 2 1 n
2
1 n
VEs = ∑
n − 1 i =1
( x − x i ) 2
= ∑ i n ∑
n − 1 i =1
x −
i =1
x i
(1.20)
1 m
2
1 m
VEs = ∑ f j ⋅ x j − n ∑
n − 1 j =1
2
f j ⋅ xj (1.21)
j =1
σ = VP 0
(1.22)
s = VEs (1.23)
σ
cv P0 = (1.24)
x
1.4.7. Coeficientul de variaţie pentru eşantion se calculeazã cu relaţia:
s
cv Es = (1.25)
x
N
1
DM Po =
N
∑x
i =1
i −c (1.26)
în cazul populaţiei şi
1 n
DM Es = ∑ xi − c
n i =1
(1.28)
în cazul eşantionului.
s
sx = . (1.29)
n
Se utilizeazã tabelul ariilor aflate sub curba normalã (Anexa1.tabelul 1.1) din care
pentru x’= 1,905 rezultã x” = 0,4744. Valoarea ariei cãutate rezultã în conformitate
cu figura 1.9 rezultând aria x’”= 0,5 - x’ = 0,0254.
Se determinã astfel probabilitatea ca din 100 de eşantioane numai 2,54 ar putea
sã depãşascã media populaţie.
Aceastã afirmaţie, în conformitate cu figura 1.9, are un nivel de confidenţã calculat
cu relaţia:
1 − 2 ⋅ x "' = 0, 9 ; x "' = (1 − 0, 9 ) / 2 = 0, 05
x " = 0,5 − x "' = 0, 45
Pentru x” = 0,45 din Anexa 1, Tabelul 1.1 rezultã prin interpolare între valorile
0,4495 ce corespund la x’ = 1,64 şi 0,4505 ce corespunde pentru x’ = 1,65 valoarea
x’=(1,65+1,64)/ 2 = 1,645. Considerând eroarea standard a mediei sx = 0,102
rezultã deviaţia x = x’ sx = 0,168. Rezultã intervalul de confidenţã IC, dacã se
considerã media aritmeticã cunoscutã xEs = 19,3.
Se poate observa astfel diferenţa între operaţiile matematice care sunt utilizate în
prelucrarea şi sintetizarea datelor şi operaţia de mãsurare şi interpretarea rezultatelor
mãsurãtorilor.
Astfel sistemul matematic poate fi privit sub urmãtoarele aspecte:
Observând însã forma repartiţiilor se constatã cã la probele orale studentul se gãseşte într-
un câmp mult mai populat
decât la scris, cu toate cã
notele sale la oral şi la scris
se gãsesc la distanţe egale de
mediile testelor.
Va trebuii deci, pentru a
stabili modul de examinare
cel mai favorabil studentului,
sã stabilim o scarã comunã de
mãsurã pentru cele douã
distribuţii. Se mai impune şi
un punct de referinţã comun
acestora. De regulã punctul
de referinţã comun este
considerat ca fiind media
aritmeticã a distribuţiei, iar,
ca unitate comunã de mãsurã
poate fi stabilitã deviaţia
standard a fiecãrei distribuţii.
Astfel, dacã pentru proba
oralã sx = 15 iar la cea scrisã
s’x = 5 vor rezulta puctajele la
Figura 1.10 Distribuţia punctajelor obţinute oral şi scris în unitatea de
de studenţi în probele orale (a) şi scrise (b). mãsurã comunã, prin
raportare lor la media aritmeticã a repartiţiei pentru studentul analizat.
19
Capitolul 1.
x’or = ( 60 - 50 ) / 15 = 0,67
x’sc = ( 30 - 20 ) / 5 = 2
(1 + γ) / 2 .
În cazul monolimitat se afirmã cã “ mãrimea statisticã este mai mare decât limita
inferioarã I, respectiv mai micã decât limita superioarã S “.
În acest caz fiecãrei limite i se atribuie nivelul de confidenţã egal cu γ. Una dintre
cerinţele cu caracter general ce se referã la o îmbinare sudatã o constitue asigurarea
rezilienţei de 28 J/cm2 la o temperaturã inferioarã cu 10oC faţã de temperatura minimã
din exploatare.
Realizarea acestui deziderat impune efectuarea unor încercãri de rezilienţã asupra
îmbinãrilor sudate cu diverse tehnologii de sudare şi adoptarea acelei tehnologi care
asigurã îmbinãrilor caracteristicile cerute, cu un nivel de încredere specific produsului ce
va fi realizat.
În cazul oţelurilor pentru structuri sudate, caracteristicile mecanice sunt garantate de
producãtor în funcţie de clasa de calitate a acestuia, pentru diferite temperaturi. Oţelurile
obişnuite au astfel rezilienţa garantatã peste temperatura de -20oC în cazul clasei 4 de
calitate, dar proprietãţile de rezistenţã încep sã se altereze la temperaturi ce depãşesc
o
200 C, aceasta scãzând cu gradul de dezoxidare a oţelului, în timp ce petru oţelurile
o
criogenice, cu 9% Ni, temperatura la care apare fenomenul de fragilizare este de -196 C.
La oţelurile aliate cu Cr şi Mo, destinate utilizãrii la cald, temperatura la care acestea
o
posedã caracteristici mecanice bune este în jur de 560 C.
n n 2
∑x i ∑ (x − x ) i
s
x= i =1
;s = i =1
; sx = (1.30)
n n −1 n
I
= x m t ⋅ sx (1.32)
S
I ' = x − t '⋅s x
(1.33)
S ' = x + t '⋅s x
n1
(
)
n1
x1 = ∑ xi1 n1 ; s1 = ∑ x1 − xi1 /(n1 − 1) ; s x1 = s1 n1
i =1 i =1
(1.34)
( ) (n
n2
x2 = ∑ xi2 n2 ; s 2 = ∑ x 2 − xi2
2 − 1); s x2 = s 2 n2
i =1
n1 + n2
s x1 − x2 = ⋅
(n1 − 1) ⋅ s12 + (n2 − 1) ⋅ s22 (1.35)
n1 ⋅ n2 n1 + n2 − 2
Se alege din tabelul 1.2 ( Anexa 1) valoarea constantei t conform relaţiei:
t [(1 + γ ) / 2;n1 + n 2 − 2 ]
Se calculeazã limitele intervalului de confidenţã IC3 .
I
= x1 − x 2 m t [(1+γ ) / 2;n1 + n2 − 2 ] ⋅ s x1 − x2 (1.36)
S
Electrodul 1 42 44 42 45 46 44 43
Electrodul 2 38 40 44 39 36
n1 = 7 ; x1 = 43,71 ; s1 = 1,496
n2 = 5 ; x2 = 39,4 ; s2 = 2,96647
12 6 ⋅ 2,238 + 4 ⋅ 8,8
s x1 + x2 = = 0,6785
7 ⋅5 10
Concluzie. Diferenţa mediilor este cuprinsã în intervalul 3,07 şi 5,54 ambele fiind
valori pozitive. În aceste condiţii electrodul care este preferat este cel care a condus
la media aritmeticã cea mai ridicatã.
22
Capitolul 1.
I '
= x1 − x 2 m t '[γ ;n1 + n2 − 2 ] ⋅s x1 + x2 (1.37)
S '
I ' 3,383
= 43,7143 − 39,4 m 1,372 ⋅ 0,678533 =
S ' 5,245
Observaţie: Monolimita I’ este mai mare decât I iar monolimita S’ este mai micã
decât S, deoarece pentru aceeaşi încredere γ , t > t’ .
IT
= x m z ⋅σ (1.38)
ST
Figura 1.11 a). Distribuţia normalã cumulatã a populaţiei b),c). Modul de determinare a
procentului din populaţie (p %) aflat în intervalul de toleranţã IT. (∆ = - zσ+zσ)
IT 23,813
= 39,768 m 1,645 ⋅ 9,699 =
ST 55,723
Observaţie: Între IT = 23,813 şi ST = 55,723 se gãsesc 90 % dintre mãsurãtorile
fãcute pe I ndivizii populaţie analizate în cazul în care populaţia are o repartiţie
normalã.
222
p= ⋅ 100 = 88,8%
250
IT
= x Es m k ⋅ s (1.39)
ST
x Es = 37 ; s = 14,36
p% k p% k p% k p% k
75 1,587 90 2,225 95 2,703 99 3,551
p % ( impus ) 75 90 95 99
ks 22,789 32,382 38,815 50,992
IT = xEs - k s 14,211 4,618 1,815 -13,992
ST = xEs + k s 59,789 69,368 75,815 87,992
p % ( obţinut ) 89,2 100 100 100
gãsesc 233 de indivizi ceea ce conduce la o proporţie de 89,2%, mult mai mare
decât valoarea de pornire a calculelor.
Calculul monolimitelor. Se efectueazã conform aceleiaşi proceduri, cu excepţia
faptului cã valorile lui k vor fi citite din tabelul 1.11. Astfel prin interpolare se obţin
urmãtoarele valori:
p% k p% k p% k p% k
75 1,138 90 1,888 95 2,351 99 3,237
Se obţin astfel monolimitele intervalului, valorile acestora fiind date mai jos:
p % ( impus ) 75 90 95 99
k’ s 16,345 27,112 33,760 46,483
I’T = xEs - k’ s 20,658 9,888 3,240 -9,483
p % (real pentru 96,4 100 100 100
I’T )
S’T = xEs + k’ s 53,342 64,112 70,760 83,483
p % (real pentru 93,2 99,6 100 100
S’T )
Concluzie: Ca şi IT şi IT’ conduce la valori ale probabilitãţii p mai mari decât cele
impuse. Faţã de IT , monolimitele I’T şi S’T sunt mai mici.
1.5.3.1. Intervalul de confidenţã bilimitat , IC6 ,al varianţei s2. În acest scop se efectueazã
eşantionarea populaţiei şi se calculeazã s2. Se alege nivelul de confidenţã γ şi cu ajutorul
relaţiilor de mai jos se determinã valorile limitelor intervalului de confidenţã.
(n − 1) ⋅ s 2
I χ [2(1−γ )/ 2;n −1]
= (1.39)
S (n − 1) ⋅ s 2
2
χ [(1−γ )/ 2;n −1]
unde:
χ2 se citeşte din tabelul distribuţiei statistice cu acelaşi nume (Tabelul 1.3,Anexa 1).
Limitele abaterii standard s se obţin prin extragerea rãdãcinii patrate din I respectiv S.
24 ⋅ 14,36 2
I'= = 11,66
36,4
24 ⋅ 14,36 2
S' = = 18,94
13,8
I" =
(n − 1) ⋅ s 2 ; S " = (n − 1) ⋅ s 2 (1.40)
χ [2γ ;n −1] χ [1−γ ; n −1 ]
Rezultã astfel:
24 ⋅ 14,36 2 24 ⋅ 14,36 2
I" = = 12,2 ; S " = = 17,7
33,2 15,7
Se calculeazã utilizând distribuţia Fischer sau prescurtat F.( Tabelul acestei distribuţii se
gãseşte în Anexa 1, Tabelul 1.4) Relaţiile de calcul sunt:
2
s s
I = 2 ⋅ F[(1−γ ) / 2;n1 −1;n2 −1] ; S = 2 ⋅ F[(1+γ ) / 2;n1 −1;n2 −1] (1.41)
s1 s1
Eşantionul n xEs s
1 8 46,7 14,3
2 7 38,5 8,4
28
Capitolul 1.
2 2
8,4 8,4
I' = ⋅ 0,354 ≅ 0,35 ; S =
'
⋅ 3,010 ≅ 1,02
14,3 14,3
2 2
s s2
I " = 2 ⋅ F[(1−γ );n1 −1;n2 −1] ; S " = ⋅ F[(1+γ );n1 −1;n2 −1 ]
s1 s1
şi monolimitele aferente
2 2
8,4 8,4
I" = ⋅ 0,515 = 0,42 ; S " = ⋅ 2,75 = 0,98
14,3 14,3
Notaţiile α respecti β sunt chiar probabilitãţile celor douã genuri de erori. Alegerea
acestor probabilitãţi trebuie fãcutã cu deosebitã atenţie şi numai în urma analizei
consecinţelor erorilor care pot apare în cazul unei alegeri incorecte.
1.6.2.1. Ipoteza I1: O eşantionare asupra unei populaţii normale, având media xPo
conduce sau nu la aceeaşi medie.
Ipoteza se scrie sub forma H: xPo = xEs faţã de A: xEs < > xPo. (1.42)
x Es − x Po n ⋅ ( x Es − x Po )
t0 = = (1.43)
sx s
Din tabelul 1.1 (Anexa 1) se aleg valorile lui t în funcţie de α şi n ; t [ (1−α / 2 ) ; n−1]
Dacã to nu este cuprins în intervalul -t şi +t , atunci ipoteza H se respinge cu riscul
α. În caz contrar ipoteza se acceptã, deci:
Exemplul 16. Dintr-o populaţie având media xPo = 39,768 şi abaterea standard s =
9,699 se extrag 18 eşantioane, fiecare eşantion fiind format din 10 mãsurãtori,
având caracteristicile ca în tabelul 1.12. Ne propunem sã analizãm eşantioanele care
conduc la aceeaşi medie cu a populaţie, utilizând probabilitatea α= 0,2 şi α = 0,1.
Se aleg din tabelul distribuţiei student valorile limitã pentru cele douã probabilitãţi:
Tabelul 1.12. Valorile centralizate privind datele iniţiale şi finale pentru Ex.l 15.
nr. Xes s to nr. XEs s to
1 31,5 15,6 -1,676 10 39,2 16,4 -0,11
2 39,8 18,4 0,055 11 39,5 15 -0,00565
3 41,7 12,6 0,485 12 32,6 14,7 -1,542
4 45 13,9 1,190 13 49,1 13,5 2,186
5 45,2 14 1,227 14 35,7 12,4 -1,037
6 36,7 18,1 -0,536 15 42,1 17,5 0,421
7 49,3 14 2,153 16 34,6 8 -2,043
8 36,5 16 -0,646 17 45,2 13,5 1,272
9 45,2 14,3 1,201 18 44,2 11,9 1,178
1.6.2.2. Ipoteza I2: O eşantionare dintr-o populaţie are media diferitã faţã de
media xPo a populaţie. Ipoteza se scrie sub forma:
Cazul α = 0,2
Stabilirea limitei admise pentru t = t’
Cazul α = 0,1
Stabilirea limitei admise pentru t = t”
31
Capitolul 1.
∑ (x i − x )2
χ 02 = (1.53)
σ0
χ 2 α
;χ 1−α
(1.54)
I ; n −1 S ; n −1
2 2
χ 2 α
< χ 02 < χ 2 1−α
(1.55)
I ; n −1 S ; n −1
2 2
Se calculeazã limitele:
1.6.3.1. Ipoteza I4: un eşantion dintr-o populaţie are abaterea standard diferitã
faţã de cea a populaţie. Acest lucru se poate exprima astfel:
Se calculeazã:
x Es1 − x Es2
to = (1.62)
s x1 − x2
unde:
1 1
s x21 − x2 = s 2 ⋅ + (1.64)
n1 n2
s2 =
(n1 − 1) ⋅ s12 + (n2 − 1) ⋅ s22 (1.64)
n1 + n2 − 2
iar s21 şi s22 sunt varianţele, apropiate nimeric ale eşantioaneloer din fiecare
populaţie. Se alege α şi din tabelul 1.1 ( Anexa 1 ) se aleg valorile pentru:
[ -t ; + t ] . (1.66)
Varianta tehnologicã
1 4
29 34
27 29
24 33
30 32
30 28
29 30
- 33
5,36 + 5,24
s2 = = 5,3
2
Se calculeazã to şi se obţine
28,17 − 31,29
t0 = ≅ −2,44
1,28
Se considerã cã varianţele celor douã populaţii sunt diferite, ipoteza se scrie astfel:
x1 − x2
t0 = (1.68)
s12 s22
+
n1 n2
s12 s2
⋅ t1 + 2 ⋅ t2
n n2
t= 1 2 (1.70)
s1 s22
+
n1 n2
Exemplul 20: Sã verificãm dacã mediile mãsurãtorilor celor douã populaţii din
exemplul precedent sunt diferite.
Se calculeazã:
∑ (D − D ) 2
∑ (x )
n n i
D 1 1
t0 =
sD
;D = ⋅
n ∑D
1
i =
n
⋅
1
1i − x 2i ; s D = i =1
n ⋅ (n − 1)
(1.73)
Unghiul de îndoire
Varianta 1 Varianta 2
98 140
120 130
115 122
132 153
104 118
106 120
126 138
- 129
801 1050 Σxi
114,428 131,25 x
153,9524 141,35715 s2
12,4078 11,8894 s
2,447 2,365 ti
-2,671 t0
1,8023 t
x1 − x2 114,42857 − 131,25
to = = = −2,671
s12 s22 153,9524 141,35712
+
+
n1 n2 7 8
s12 s22
⋅ t1 +
⋅ t2
n1 n2
t= = 1,8023
s12 s22
+
n1 n2
x1≤ x2 σ 12 ≠ σ 22 x1 − x2 ne = n1 - 1
nd = n2 - 1
s12 s 22
+ t1 = t[ (1 - α ) ; ne ]
n1 n2 t2 = t[ (1 - α ) ; nd ]
xD≤0 Date D t[ ( 1- α ) ; n - 1]
împerechiate
sD
x1≥ x2 σ 12 = σ 22 x1 − x 2 ne = n1 + n2 - 2
t[ ( 1 - α ) ; ne ]
s x1 − x2
x2≥ x2 σ 12 ≠ σ 22 x1 − x2 ne = n1 - 1
2 2
nd = n2 - 1
s s
1
+ 2 t1 = t[ (1 - α ) ; ne ]
n1 n2 t2 = t[ (1 - α ) ; nd ]
xD≥0 Date D t[ ( 1- α ) ; n - 1]
împerechiate
sD
Se calculeazã Fo cu relaţia:
s12
F0 = : (1.78)
s22
FI = F α
; FS = F α
(1.79)
2 ; n1 −1; n2 −1 1− 2 ; n1 −1; n2 −1
F0 ∈ {FI ; FS }. (1.80)
Exemplul 22. În exemplul 21, valorile dispersiilor celor douã eşantioane sunt
apropiate, sã verificãm dacã acestea sunt suficient de apropiate pentru ca problema
sã poatã fi rezolvatã cu ipoteza I51. Se testeazã deci ipoteza H : s12 = s22 faţã de A :
s12 ≠ s22 .
Se calculeazã Fo cu relaţia:
s12
F0 = : (1.83)
s22
Unde:
k reprezintã numãrul de clase mãsurate.
Testarea valabilitãţii ipotezei se face astfel:
Se calculeazã χo cu relaţia:
2
χ 02 = ∑
k
(Esii − Vadmi )2 (1.88)
i =1 Vadmi
Observaţie: În cazul în care valorile admise lipsesc, atunci acestea pot fi înlocuite cu
media aritmeticã a valorilor mãsurate.
Exemplul 24. În scopul verificãrii unui lot de cabine sudate, sunt necesare
verificarea unor cote de montaj (Clasa A); verificãri de cote de gabarit (Clasa B) ;
unele verificãri ale aparatelor electrice (Clasa C); verificãrile unor parametrii ai
sistemului de comandã hidraulic (Clasa D) ca şi verificarea nivelului de zgomot şi
dotãri suplimentare (Clasa E).
Din cauza numãrului mare de cabine din lot, verificarea se face pe un eşantion
format din 4 cabine alese la întâmplare. Valorile admise pentru cabine au fost
cuantificate sub formã de punctaje ce reprezintã abaterea de la valoarea nominalã
impusã în caietul de sarcini al produsului, pentru a putea stabili modul în care, la
depãşirea limitelor maxime şi minime admise, lotul sã poatã fi considerat
necorespunzãtor. Utilizarea punctajelor face de asemenea posibilã şi stabilirea
preşului de achiziţie al lotului, ca şi orientarea spre pieţele de desfacere.
A B C D E
1 80 79 82 56 65 362 72,4 7,1436
2 74 89 79 60 72 374 74,8 5,9326
3 92 80 80 54 70 376 75,2 10,702
4 86 90 81 60 64 381 76,2 9,459
Total 332 338 322 230 271 1493 24,2372
Media 83 84,5 80,5 57,5 67,75 373,25
Necesar
cl. I - a 100 100 100 100 100 500 100
cl. II - a 80 80 80 67 90 397 79,4
cl. III - a 80 80 80 67 67 374 74,8
Se calculeazã:
χ 02 =
(83 − 100)2 + (84,5 − 100)2 + (80,5 − 100)2 + (57,5 − 100)2 + (67,75 − 100)2 = 37,56
100
Se impune α = 0,1 şi pentru ne = k - 1 rezultã din tabel valorilor distribuţiei χ2
Deoarece ipoteza H : pi = pio nu este adevãratã, ( χ2nec < χ2ο ) lotul de cabine nu
corespunde clasei de calitate I - a pentru care s-a efectuat testul.
χ 02 =
(83 − 80)2 + (84,5 − 80)2 + (80,5 − 80)2 +
80
(57,5 − 67)2 +
(67,5 − 90)2 = 7,3164
67 90
Deoarece ipoteza H : pi = pio este adevãratã, ( χ2nec > χ2ο ) lotul de cabine
corespunde clasei de calitate a II - a pentru care s-a efectuat testul.
Sã verificãm acum dacã existã diferenţe între produsele din lotul primit :
Se calculeazã punctajul mediu al eşantionului:
x Es = 373,25
se calculeazã χ2ο
χ 92 =
(362 − 373,25)2 + (274 − 373,25)2 + (376 − 373,25)2 + (381 − 373,25)2 = 0,5218
373,25
se impune α = 0,05 şi pentru ne = n - 1 rezultã χ2nec = χ2[ 0,95 ; 3 ] = 7,81
Deoarece ipoteza H : pi = pio este adevãratã, ( χ2nec > χ2ο ) se admite cu riscul de 5
% ipoteza cu privire la inexistenţa diferenţelor majore între cabinele din lot.
1.6.8.2. Ipoteza I10: se referã la testarea egalitãţii mediilor unui numãr mare de
populaţii.
Expresia ipotezei este:
k k
∑ (xi − x )2 ⋅ nei
i =1
∑ (ne
i =1
i − 1)
Fo = ⋅ (1.92)
k −1
∑∑ (x − xi )
k ne
2
ij
i =1 j =1
unde:
F = F k
(1.94)
(1−α );( k −1); ( nei −1)
∑
i =1
Fo < F (1.95)
Eşantioanele populaţiilor
1 2 3 4 5
22 19,8 20 24 19
Valorile 24 23,2 19 20 22
măsurătorilor 23 - 21 21 23
xij 22 - - 20 22
- - - 22 -
Total 91 43 60 107 86
Media xi 22,75 21,5 20 21,4 21,5
i
2 2
+ 2 ⋅ (21,5 − 21)2 +
i =1
ij
i =1 j =1
Se calculeazã Fo :
14,3 13
F0 = ⋅ = 1,5123
4 30,75
Se alege α = 5% şi din tabelul distribuţiei Fischer pentru:
F = F [ 0,95 ; 4 ; 13 ] = 3,18
Concluzie: Deoarece Fo este mai mic decât F ipoteza cã cele k = 5 populaţii, din
care s-au extras eşantioanele analizate, au aceeaşi medie şi aceasta este egalã cu 21.
Ipoteza este valabilã pentru un risc α = 5 %.
Se calculează mărimile:
∑∑ (x − xi )2 ; s 2 =
k
( ) ∑ ((ne ( ))
nei k k
− 1) ⋅ log si2
W
W = ij k ∑
; B = ( nei − 1) log s 2 ; B1 =
i =1
i
j =1 i =1
∑
i =1
( nei − 1) i =1
k
~2 χ0
2
χ 0 = 2,3026 ⋅ (B − B1 ) ; C = 1 +
1 1 1
2
⋅
3 ⋅ (k − 1) i =1 nei − 1
− ∑ k ; χ0 = C (1.97;1.98)
∑ (nei − 1)
i =1
χ2 ( χ [21−α ;k −1 ] ) (1.100)
43
Capitolul 1.
χ~ 02 < χ2 (1.101)
Se calculeazã:
W 30,73 k
s2 = k
=
13
∑
≅ 2,36 ; B = nei − 1 ⋅ log( s 2 )= 13 ⋅ log(2,36) ≅ 4,857
i =1
∑ (ne
i =1
i − 1)
χ nec
2
= χ [20,99; 4 ] = 13,28
Comparând cu valoarea se observã cã χ~02 < χ2nec şi în consecinţã trebuie acceptatã
ipoteza cã varianţele celor cinci populaţii sunt egale.
Concluzie: Atât mediile geometrice [Exemplul 25] cât şi varianţele [Exemplul 26]
celor cinci populaţii analizate sunt egale, în limita unui risc 5% pentru medii şi 1%
pentru varianţe.
Capitolul 1. 44
- Variabile economice, exprimă de cele mai multe ori dependenţa între preţul de
cost, consumul energetic sau norma de timp şi parametrii principali de sudare.
- Variabile structurale, exprimă dependenţa între proprietăţile cordoanelor obţinute
şi parametrii tehnologici de sudare, având scopul de a asigura realizarea cerinţelor de
calitate impuse atât structurii sudate în cazul general cât şi cordoanelor de sudare din
care este alcătuită.
Exemplul 28. HM = f(t8/5 , Pcm, C ); B = f( procedeu, tip cordon, de, Vs, b, kVs ,
Ua,Vs, kVs×de, kVs2, Vs2, de2 ); p = f( procedeu, tip cordon,de, b, Vs, kVs,Ua ) sau
kb = ( procedeu, ordine de sudare, El, δmin, număr treceri, As, Iz ) etc.
Alegerea variabilelor de stare se face în funcţie de următoarele condiţii:
a) variabila de stare trebuie să aibă o valoare cuantificabilă, deci să poată fi
exprimată prin numere.
b) variabila de stare trebuie să poată fi determinată prin măsurători directe.
c) datele măsurătorilor trebuie să fie eficiente din punct de vedere statistic, deci să
prezinte o dispersie cât mai mică în timpul experimentării.
2
Datele din tabel sunt utilizate pentru determinarea dispersiilor so reprezentând dispersia
reproductibilităţii şi s2 reprezentând dispersia factorului analizat. Expresia dispersiei s2
este următoarea:
unde:
2
sA este dispersia provocată de parametrul analizat.
Cele două dispersii s2 şi so2 se compară cu ajutorul criteriului Fischer, verificându-
se semnificaţia raportului:
Fc = s2 / s02 . (1.103)
Capitolul 1. 46
FT = F[ 0,05;ν ;ν 0 ] . (1.104)
m n
S1 = ∑∑ y ij2 (1.106)
i =1 j =1
m
S 2 = ∑ n ⋅ yi
i =1
(1.107)
1 n 1
y i = ∑ y ij = Yi ; i = 1,.., m
n j =1 n
Se calculează suma valorilor obţinute prin înlocuirea valorilor din tabel cu media
lor aritmetică
1
S 3 = m ⋅ n ⋅ yT2 = YT2
m⋅n
(1.108)
1 m n 1
yT = ∑∑
m ⋅ n i =1 j =1
y ij =
m⋅n
YT
2 2
Cu ajutorul acestor sume de pătrate se determină dispersiile so şi s fiind recomandată
utilizarea unui calcul tabelar.
Capitolul 1. 47
2
Tabelul 1.15 . Calculul dispersiilor so şi s2
Divergenţa datelor Suma Nr. grade de Dispersia Expresia dispersiei
experimentale pătratelor libertate dorită pe componente
Între coloane S2 - S3 ν=m-1 s2 = ( S2 - S3 ) / ν s2 = n⋅ sA2 - so2
Între rânduri S1 - S2 νo = m(n - 1) so2 = (S1 - S2) / νo so2(*)
Totală S1 - S3 ν 02 = m ⋅ n − 1 s 02 = ( S 1 − S 3 ) ν 0 s02 = (ν ⋅ s2 +ν0 ⋅ s02 ) (ν +ν0 )
Tabelul 1.16. Gruparea datelor măsurătorilor pe nivele ale parametrului în cazul numărului diferit de
măsurători între nivele.
Nr. de Nivelul parametrilor
determinări
1 2 … m
1 y11 y21 … ym1
2 y12 y22 … ym2
… … … … …
ne y1n y2n … ynm
nei ne1 ne2 … nem
Suma Σ Y1 Σ Y2 … Σ Ym
Media y1 y2 … ym
Dispersia s12 s22 … sm2
m nei
S1 = ∑∑ y ij2
i =1 j =1 (1.109)
ν = m −1
m
1 2
S2 = ∑ Yi
i =1 nei
m
(1.110)
ν 0 = ∑ nei − m
i =1
Capitolul 1. 48
∑Y i
2
S3 = i =1
m
∑ ne
i =1
i (1.111)
m
ν 0 = ∑ nei − 1
i =1
Atât mărimile S1, S2 şi S3 cât şi gradele de libertate astfel determinate vor trebuii
2
introduse în tabelul de calcul al dispersiilor şi vor trebuii astfel determinate so şi
2
s . Prin aplicarea criteriului Fischer se determină dacă parametrul este
semnificativ şi poate fi exprimată o lege de regresie între variabila de stare şi
acesta. În caz afirmativ, se determină dispersia parametrului cu relaţia:
(s )
m
2
− s 02 ⋅ (m − 1)∑ nei
s A2 = i =1
(1.112)
m
2 m
∑ nei − ∑ nei
2
i =1 i =1
În caz contrar, sA2 se consideră nulă iar între parametru şi variabila de stare nu
există decât o legătură aleatoare, nicidecum una funcţională.
Dispersia sA2 caracterizează efectul produs prin cele m valori ale parametrului A, ceilalţi
2 2
doi parametrii fiind constanţi. Identic şi pentru sB şi sC . Aceste dispersii formând
împreună cu dispersiile interacţiunilor dintre parametrii dispersia totală a măsurătorii.
Dispersiile sAB2, sBC2 şi sAC2 caracterizează efectele a trei interacţiuni de ordinul întâi.
Astfel sAB2 indică măsura în care modificarea măsurătorii (y) produsă de modificarea
parametruli A este influenţată de valoarea pe care o are parametrul B şi invers. Celelalte
interacţiuni de ordinul întâi se interpretează analog.
Ca şi în cazul dispersiei ce depinde de un singur parametru, dispersia
reproductibilităţii so2 caracterizează eroarea experimentului. În cazul analizei
multifactoriale pot intervenii şi dispersiile de ordinul doi, trei etc. Astfel dispersia de
ordinul doi reflectă în ce măsură efectele interacţiunilor de ordinul întâi AB , BC, şi CD
depind de valorile parametrilor C, A, respectiv B. Notaţia pentru dispersia de ordinul doi
în acest caz este sABC2. Deoarece de regulă aceste interacţiuni fie lipsesc, fie sunt foarte
scăzute, ele nu sunt calculate separat ci sunt incluse în so2. Dacă însă analiza conduce
la erori mari, deci aceste efecte nu mai pot fi neglijate, atunci sunt calculate şi aceste
influenţe.În cazul dispersiei trifactoriale, componentele dispersiei generale sunt date în
tabelul 1.18.
În scopul uşurării calculelor, tabelul 1.19 va fi divizat în trei sutabele, câte unul pentru
fiecare parametru a cărui influenţă se analizează. În prealabil trebuind calculate următorii
termeni:
Capitolul 1. 50
n m n
Wiu = ∑ yiju ;i = 1,.., m;u = 1,.., k ; X ju = ∑ yiju ; j = 1,.., n;Z ij = ∑ yiju (1.113)
j =1 i =1 u =1
∑ 2
W 'i ∑ ∑ Wij
i =1 j =1
2
S 3 = i =1 = ;S = W
m⋅n m⋅n m⋅n⋅k
4
iar:
k m
W = ∑ W ' i = ∑ Wi (1.115)
i =1 i =1
Analog vor fi determinate şi celelalte dispersii dar prin utilizarea datelor din tabelele 1.20
şi 1.21. Se determină în final suma pătratelor tuturor măsurătorilor ca şi diferenţa ST - S4
cu relaţia:
m n k
S T = ∑∑∑ y iju
2
(1116)
i =1 j =1 u =1
2
Pentru a se determina so din diferenţa ST - S4 se scad sumele de pătrate care s-au
utilizat la calculul dispersiilor s12, s22, s32, s42, s52, s62. Faţă de acest mod de abordare a
problemei, pentru cazul în care pentru fiecare combinaţie de parametrii se efectuează un
număr oarecare de determinări, p, calculul dispersiilor se va efectua utilizând
următoarele etape:
∑y ijku
y ijk = u =1
(1.117)
p
Se parcurg etapele prezentate în exemplul precedent pentru calculul dispersiilor:
s12, s22, s32, s42, s52, s62 . Dar în acest caz în tabelul datelor generale vor fi introduse pe
poziţiile i,j,k valorile medii calculate anterior. Pe baza acestuia fiind determinate celelalte
tabele de lucru.
2
m n k p
∑∑∑∑ y jkuv
i =1 j =1 u =1 v =1
S6 = (1.120)
m⋅n⋅k ⋅ p
Se calculează:
Capitolul 1. 52
S7 = S5 - S6 . (1.121)
Se calculează suma pătratelor corespunzătoare interacţiunii de ordinul doi,
pentru cazul a trei parametrii SABC .
S ABC
2
s ABC = = s 72 (1.123)
(m − 1)(n − 1)(k − 1)
Exemplul 29. Se analizează duritatea maximă obţinută în ZIT -ul unui cordon de sudură în funcţie
de energia liniară de sudare şi temperatura de preîncălzire a materialului. Încercarea s-a efectuat pe
patru nivele atât în ce priveşte energia liniară de sudare El cât şi în ceea ce temperatura de
preîncălzire. Procedeul de sudare a fost MAG iar datele privind duritatea au fost măsurate pe trei
epruvete prelevate dintr-un lot de probă.
Tabelul 1.22. Datele măsurătorilor privind duritatea în ZIT funcţie de temperatura de preîncălzire
(T) şi energia liniară de sudare (El)
Energia Numărul de Temperatura de preîncălzire (T) Sume pe
liniară de determinări T1 = 00C T2 = 400C T3 = 800C T4 = rânduri
0
sudare. paralele 120 C
(El) Duritatea maximă măsurată în ZIT Σ
1 384 368 343 316
2 387 366 345 319
El1 3 388 364 342 321
[18 kJ/cm] Σ 1159 1098 1030 956 4243
Media 386,33 366 343,33 318,66
S5i 149253,4 133956 117877,8 101549 502632,95
1 302 287 271 254
2 312 288 270 256
El2 3 307 289 269 252
[22 kJ/cm] Σ 921 864 810 762 3357
Media 307 288 270 254
S5i 94249 82944 72900 64516 314609
1 260 247 236 226
2 261 252 235 227
El3 3 259 242 237 225
[26 kJ/cm] Σ 780 741 708 678 2907
Media 260 247 236 226
S5i 67600 61009 55696 51076 235381
1 235 227 220 210
2 236 225 218 212
El4 3 234 226 219 214
[32 kJ/cm] Σ 705 678 657 636 2676
Media 235 226 219 212
S5i 55225 51076 47961 44944 199206
Total pe 3565 3381 3204 3033 13183
coloane
Capitolul 1. 53
so2 0,2544
sy = = = 0,2912
p 3
1.7.6. Analiza de corelaţie. Este utilizată deseori pentru rezolvarea majorităţii problemelor
premodelării. Cu ajutorul ei se estimează legătura dintre variabilele de stare şi parametrii
procesului ca şi gradul de semnificaţie al acestora. Pentru a stabili corelaăia dintre două
mărimi aleatoare x şi y, se va apela la noţiunile de covarianţă şi coeficient de corelaţie.
n n ∑x y i i
∑ ( xi − x )( yi − y ) ∑ xi y i − i =1
n
cov( x, y ) = i =1
= i =1
(1.124)
n −1 n −1
unde n reprezintă numărul de perechi de date xi , yi. Astfel în cazul unei dependenţe
între mărimile x şi y valoarea covarianţei va fi diferită de zero.
Indicatorul dependenţei dintre cele două variabile este coeficientul de corelaţie - rx,y -
care se calculează cu relaţia:
n
cov( x, y )
∑ (x i − x )( yi − y )
rx , y = = i =1
(1.125)
sx ⋅ s y (n − 1) ⋅ s x ⋅ s y
apelează la calculul unui indicator numit coeficient de corelaţie multiplă. Acest indicator
exprimă gradul de dependenţă liniară între variabila de stare şi grupul de parametrii, deci
implicit legea de dependenţă y = f(x) este de forma:
f ( x ) = yˆ = a 0 + a1 x1 + a 2 x 2 + ... + a m x m . (1.126)
P
ry , x1x2 ... xm = 1 − ; (1.130)
P11
1 ... rx1 xm
P11 = ... ... ... (1.131)
rxm x1 ... 1
P1i
ryxi −1 , x1x2 ... xm = − (1.132)
P11 ⋅ Pii
Capitolul 1. 57
Relaţie în care P11 ; P1i şi Pii sunt complemenţii algebrici ai determinantului P în raport cu
elementele aflate pe liniile şi coloanele indicate în indici.
ν
tc = ryx ⋅ (1.133)
1 − ryx2
2
n − m − 1 ry , x1x2 ... xm
Fc = (1.134)
m 1 − ry2, x1x2 ... x3
unde
n - reprezintă numărul de măsurători
m - reprezintă numărul de parametrii ai procesului.
Se alege din tabelul distribuţiei Fischer valoarea FT = F[ α ; m ; n-m-1 ].
Dacă Fc > FT se admite cu probabilitatea 1-α ipoteza conform căreia există o
corelaţie funcţională între variabila de stare y şi grupul de parametrii x1,x2,…,xm şi deci
are sens căutarea unei legi de regresie pentru exprimarea acestui fenomen.
În caz contrar ipoteza se respinge şi se consideră că între variabilele analizate nu
poate fi exprimată o dependenţă funcţională deci grupul de parametrii nu are importanţă
din punct de vedere tehnologic.
Exemplul 30: Să se analizeze existenţa unei corelaţii între datele din tabelul 1.28.
Tabelul 1.28 Date iniţiale şi calcule preliminare destinate efectuării analizei de corelaţie.
2 2 2
Nr. x1 x2 y x1 x2 x1x2 y x1 y x2 y
Crt
1 7 29 52,5 49 841 637 367.5 1522,5 2756,25
2 6,7 91 32,9 44,89 8281 609,7 220,43 2993,9 1082,41
3 4,9 82 37,4 24,01 6724 401,8 183,26 3066,8 1398,76
4 4,6 99 37,9 21,16 9801 455,4 174,34 3752,1 1436,41
5 5 148 20,7 25 21904 740 103,5 3063,6 428,49
6 4,9 165 17,5 24,01 27225 808,5 85,75 2887,5 306,25
7 4,2 133 49 17,64 17689 558,6 205,8 6517 2401
Σ 37,3 747 247,9 205,71 92465 4211 1340,58 23803,4 9809,57
− 0 , 773 7−2
tc ( x1 x 2 ) = = 2 ,713
1 − 0 ,596
0 , 2324 7−2
t c ( yx 1 ) = = 0 ,534
1 − 0 , 054
− 0 , 73 7−2
t c ( yx 2 ) = = 2 , 388
1 − 0 ,533
t T = t [ 0 , 05 ; 5 ) = 2 ,57
t c ( x1 x 2 ) > tT
t c ( yx 1 ) = 0 ,534 < t T
t c ( yx 2 ) = 2 , 23 < t T
− 0,765 7 − 2 − 1
tc ( yx1. x2 ) = = 2,375
1 − 0,58 5
− 0,8924 7 − 2 − 1
tc ( yx2 . x1 ) = = 3,955
1 − 0,796
tT ( 0,05; 3 ) = 2,776
deci:
tc ( yx1 , x2 ) < tT
tc ( yx2 , x1 ) > tT
n − m −1 1
Fc = ⋅ R y , x1x2 ⋅ = 8,52
2 1 − R y , x1x2
o Astfel, pentru:
FT(0,05; 2; 4) = 6,94
o cum:
Fc> FT
Capitolul 2.
2.1 Introducere.
Fenomenele, unele dintre ele extrem de complexe ce guvernează procesul de
sudare, pot fi studiate teoretic şi experimental.
În cazul analizei experimentale, este imperios necesară obţinerea unor concluzii
care să conducă la optimizarea procesului sau al echipamentului studiat.
În acest scop, informaţia este prelucrată, datele măsurătorilor putând fi grupate fie sub
formă de tabele, fie sub formă grafică (diagrame) fie sub formă de relaţii matematice.
Tabelele - reprezintă ordonarea şi gruparea datelor pe linii şi coloane. Acestea
dau posibilitatea interpretării directe a datelor, prin constatarea apariţiei unor modificări
ale valorilor mărimilor ce interesază în funcţie de modificarea unor parametrii. Din
punctul de vedere al optimizării procesului tehnologic sau al echipanentului studiat,
tabelele sunt incomode, deoarece nu pot fi utilizate direct în procesul de optimizare, ele
permiţând determinarea unor zone în care procesul s-ar putea desfăşura cu mai mare
eficienţă. Tabelele sunt însă deosebit de utile în procesul de analiză statistică a datelor.
Graficele - sunt reprezentări în doră sau trei dimensiuni, a unor variabile y în
funcţie de valorile unor parametrii de proces x. Sunt utile pentru că reprezintă tendinţele
de variaţie, zonele în care apar perturbaţii ca şi zonele în care pot fi întâlnite valori
extreme, etc.
Relaţiile matemetice - reprezintă funcţii matemetice de forma y = f(x) rezultate în
urma unei analize minuţioase a procesului analizat, având un domeniu de definiţie bine
precizat. Ele oferă facilităţi maxime în cadrul procesului de optimizare, asupra lor putând
fi utilizate direct mai multe metode de optimizare. Deoarece conţin şi maximum de
informaţie în minimum de spaţiu ele sunt cel mai des utilizate în procesul de optimizare.
Toate fenomenele măsurabile pot fi exprimate sub formă de relaţii matematice (ecuaţii).
∑(x i =1
i − x ) ⋅ ( yi − y )
rx . y = (2.1)
n n
∑(x
i =1
i − x) 2
∑(y
i =1
i − y) 2
unde:
n - numărul de determinări
x - media aritmetică a parametrului x
y - media aritmetică a parametrului y.
yˆ = a 0 + a1 ⋅ x (2.2)
unde:
a1 este coeficientul de regresie al parametrului y în raport cu x şi din punct de
vedere geometric va reprezenta chiar panta dreptei de regresie.
S= ∑(y i − a0 − a1 ⋅ xi ) 2 (2.3)
∂S
∂a0 ∑
= − 2 ⋅ ( yi − a0 − a1 ⋅ xi ) = 0 (2.4a)
∂S
∂a1 ∑
= − 2 ⋅ ( yi − a0 − a1 ⋅ xi ) ⋅ xi = 0 (2.4b)
n
∑x
2⋅
i a 0
= ∑ y i
(2.5)
∑
xi ∑x i a1 ∑ ( y ⋅ x )
i i
s E2 =
∑( y i − yˆ i ) 2
(2.6)
n−2
s E2
sa20 = (2.7)
∑ ( xi − x ) 2
1 x2
sa21 = s E2 [ + ] (2.8)
n ∑ ( xi − x ) 2
1 ( xi − x ) 2
sY2ˆ = s E2 ⋅ + (2.9)
1i
n ∑
( xi − x ) 2
1 ( xi − x ) 2
sY2ˆ = s E2 ⋅ 1 + + (2.10)
2i
n ∑
( xi − x ) 2
I
= a 0 m t [(1+γ ) / 2; n − 2] ⋅ ∑ ( y i − yˆ i ) /(( n − 2) ⋅ ∑ ( x i − x ) )
2 2
(2.11)
S
I ∑ ( y i − yˆ i ) 2 (x) 2
= a1 m t [(1+γ ) / 2;n − 2) ⋅ + (2.12)
S n ⋅ ( n − 2) ∑ ( xi − x ) 2
I
= yˆ i m t [(1+ γ ) / 2;n − 2 ) ⋅ sYˆ1i (2.13)
S
I
= yˆ i m t [(1+γ ) / 2;n −1] ⋅ sYˆ2 i (2.14)
S
y0 − a0
xˆ = (2.15)
a1
unde:
y0 este valoarea cunoscută a parametrului y.
I a1 ⋅ ( y 0 − y ) t [(1+γ ) / 2; n − 2] ⋅ s E n +1
= x + m ⋅ B ⋅ ( y0 − y) 2 + D ⋅ (2.16)
S D D n
unde:
D = a12 − t [(21+γ ) / 2;n − 2 ] ⋅ s E2 (2.17)
B = a12 − t [(21+γ ) / 2;n − 2 ] ⋅ s a21 (2.18)
y0 − a0
xˆ = (2.19)
a1
a1 ⋅ ( y 0 − y ) t [(1+γ ) / 2;n + m −3] ⋅ s E
2 1
I m+n
= x + m B ⋅ ( y0 − y) 2 + D ⋅ (2.20)
S D D n⋅m
b) Materialul de adaos. Pentru a obţine o lege cât mai generală, au fost utilizate
mai multe tipuri de electrozi, fiecare dintre acestea fiind fabricată de mai multe firme
producătoare. Au fost astfel utilizaţi electrozi din fabricaţie curentă, destinaţi sudării atât
a oţelurilor obişnuite cât şi a oţelurilor cu limită de curgere ridicată. S-au utilizat astfel
electrozi cu înveliş bazic, titanic şi acid. În tabelul 2.2 în coloana calităţii electrozilor
utilizaţi au fost introduse următoarele simboluri: B - Bazic, A - Acid, Ti - Titanic.
Diametrele electrozilor au fost în concordanţă cu gama de diametre fabricate, fiind
cuprinse între 2,5 şi 6 mm. Au fost respectate prescripţiile producătorilor cu privire la tipul
de polaritate indicat în cazul sudării în curent continuu.
În scopul prelucrării ulterioare a datelor, această apreciere s-a trecut sub formă calitativă
în tabelul de achiziţie a datelor. Astfel s-au utilizat următoarele notaţii:
-fs pentru stabilitate foarte slabă; -s pentru stabilitate slabă; - m pentru stabilitate medie;
- b pentru stabilitate bună; -fb pentru stabilitate foarte bună.
2 2
Fcalc = s reg/s rest = 56897,07
De regulă, analiza datelor de calcul este concentrată într-un tabel separat, scopul acestei
analize fiind acela de a se putea verifica dacă legea este liniară şi cu ce nivel de
încredere poate fi susţinută această ipoteză. În urma efectuării verificărilor statistice a
fost întocmit tabelul 2.4.
Utilizând datele din tabelul 2.4 se observă faptul că datorită valorii foarte apropiate de
unitate a coeficientului de corelaţie, între valorile celor două populaţii se poate afirma că
există o puternică dependenţă liniară, deci are sens determinarea legii regresie liniară.
5 20,75 a 0 792,5
20,75 93,8125 ⋅ a = 3724,375
1
a0 = -76,2175324675325;
a1 = 56,5584415584416;
Is = -76,2175324675325 + 56,5584415584416 de
Tabelul 2.5 Valorile extreme ale coeficienţilor legii pentru un nivel de încredere de 95%
2 2 2
Nr. s E s a0 s a1 a0min a0max a1min a1max
Crt
1 0,433 1,05484 0,0562 -78,63 -73,801 56,0005 57,1164
Este evidentă existenţa unei puternice corelaţii între datele măsurate, ceea ce în limita
unei încrederi de 90% conduce la validarea ipotezei statistice conform căreia legea
determinată prin analiza de regresie liniară este adecvată.
De asemenea se observă faptul că toţi coeficienţii legii liniare sunt semnificativi,
iar în urma determinării limitelor de variaţie ale coeficienţilor legii, se constată faptul că
pentru nivelul de încredere ales, în scopul uşurării calculelor, pot fi trunchiaţi la valori cu
mai puţine zecimale, deci a0 = -76,22 şi a1 = 56,56 sau chiar a0 = -76 şi a1= 57 fără a
influenţa semnificativ valoarea intensităţii curentului de sudare.
Aceste observaţii îndreptăţesc utilizarea relaţiei deduse la calculul rapid al
intensităţii curentului de sudare, în funcţie de diametrul electrodului, indiferent de tipul
acestuia. Va trebuii însă să se ia în considerare tipul de curent şi polaritatea acestuia, în
concordanţă cu prescrierile producătorului de electrozi.
70
Capitolul 2.
Există cazuri în care regresia liniară nu conduce la valori dorite ale coeficientului de
corelaţie şi nici verificarea cu ajutorul testului Fischer nu este relevantă. În acest caz
pentru a se evita o analiză neliniară, mult mai greoaie se poate încerca utilizarea unei
regresii derivate din regresia liniară. De cele mai multe ori se utilizează regresia
exponenţială şi regresia geometrică.
y = a 0 ⋅ e a1 ⋅ x . (2.21)
ln ( y ) = ln(a 0 ) + a1 ⋅ x (2.22)
În urma minimizării sumei patratelor abaterilor pentru logaritmii valorilor măsurate (y) şi
rezultă valoarea coeficientului :
b = e a0 . (2.25)
Astfel pentru datele din exemplul precedent, în cazul urmăririi unei regresii exponenţiale
rezultă următoarea lege:
Analizând statistic legea obţinută, prin comparaţie între valorile calculate şi cele
măsurate rezultă:
Tabelul 2.5. Corelaţiile între populaţiile Pxo şi Pyo în cazul regresiei geometrice.
Suma Patratelor Grad. de Dispers Testul Coef. de Eroarea
Abaterilor (SPA) lib. Fischer corelaţie standard
s2 Fcalc Rx,y estimată
Sy,x
Curba de SPAr=(SPrAxy)^2/
regresie SPAx = 1,462 g1=1 1,162 68,53 0,978 0,1301
Rest SPAy-SPAr =
0,25 g2=n-2 0,002
Total SPAy= 1,212 n-1=4
71
Capitolul 2.
Tabelul 2.7. Valorile extreme ale coeficienţilor legii pentru un nivel de încredere de 90%
2 2 2
Nr.Crt sE s a0 s a1 a0max a0min a1max a1min
1 0,017 0,0413 0,022 45,599 17,52 0,4988 0,278009
Figura 2.5. Domeniul de variaţie al funcţiei Is = f(de) în limita unui γ =0,9 pentru o
regresie exponenţială.
72
Capitolul 2.
yˆ = a 0 x a1 . (2.27)
În urma minimizării sumei patratelor abaterilor pentru logaritmii valorilor măsurate (y) şi
rezultă valoarea coeficientului :
a 0 = e b ; x = e x1 . (2.30)
Tabelul 2.9 Corelaţiile între populaţiile Pxo şi Pyo în cazul regresiei geometrice.
Suma Patratelor Grade Dispersia Testul Coef. de Eroarea
Abaterilor (SPA) de lib. Fischer corelaţie standard
2
s Rx,y estimată
Fcalc Sy,x
Curba de SPAr=(SPrAxy)^
regresie 2/SPAx = 1,205 g1=1 1,205 483,42 0,99691 0,05
Rest SPAy-SPAr =
0,007 g2=n-2 0,002
Total SPAy= 1,212 n-1=4
Tabelul 2.11. Valorile extreme ale coeficienţilor legii pentru un nivel de încredere de 90%
Nr.Crt s2E s2a0 s2a1 a0min a0max a1min a1max
1 0,025 0,0104 0,0052 20,23 12,52 1,7586 1,41823
Figura 2.8. Domeniul de variaţie al funcţiei Is = f(de) în limita unui =0,9 pentru o
regresie exponenţială.
75
Capitolul 2.
xi +1 = xi + ∆x (2.32)
unde:
x max − x min
∆x = (2.33)
nr.masuratori
yˆ = a 0 + a1 ⋅ x + a 2 ⋅ x 2
yˆ = a 0 + a1 ⋅ x + a 2 ⋅ x 2 + a 3 ⋅ x 3
etc.
sau în cazul general:
76
Capitolul 2.
( )
m
yˆ = ∑ a i ⋅ x i (2.34)
i=0
m<=n-1 (2.35)
∂S 2
∂a02 0
∂S 0
∂a1 = (2.36)
... 0
∂S 2 0
∂a m
unde:
2
∑ (a ⋅ x )
n
m
S2 = ∑ yj −
j =1
i
i
j (2.37)
i =0
∑ − 2 ⋅ y − ∑ (a ⋅ x ) ⋅ 1
∂S 2 i
j i j
∂a02
i
∑( )
∂S
∂a1 = ∑ − 2⋅ yj −
ai ⋅ x ij ⋅ x j
(2.38)
...
∂S 2 ...
∑( )
i m −1
∂a m ∑ − 2⋅ yj −
ai ⋅ x j ⋅ x j −1
i
n n
n
n ∑x j ... ∑x m
j ∑ yj
j =1 j =1 a0 j =1
n
x mj+1 a1 (x j ⋅ y j )
n n
n
∑ xj ∑x 2
j ... ∑ ⋅ = ∑ (2.39)
j =1 j =1 j =1 ... j =1
... ... ... ... ...
ma
∑( )
n m−1 n n n
∑
xj ∑x m
j ... ∑ x 2j m
j =1
x mj ⋅ y j
j =1 j =1 j =1
[C ]⋅ {a} = {d } (2.39b)
Coeficientul Ry.x are scopul de a exprima existenţa unei dependenţe funcţionale între
variabila y şi parametrul x, atunci când pentru fiecare y din populaţia Py corespunde un
singur x din populaţia Px. Scopul determinării acestui coeficient este acela de a verifica
dacă între cele două populaţii există o legătură funcţională care să permită calculul unei
astfel de legi statistice, ca şi cel de a găsi cu o precizie impusă gradul polinomului de
aproximare.
n −1
∑ (y j − yˆ j )2
R y2. x =1− ⋅ (2.40)
n−l
∑ (y j − y )
2
unde:
n - reprezintă numărul de măsurători
l - reprezintă numărul de coeficienţi ai legii de regresie
Relaţiile de calcul al unor legi empirice sunt utilizate îndeosebi în cazul în care
forma legii de variaţie a mărimii dorite în funcţie de un parametru nu este cunoscută
dinainte. Obţinerea unei legi polinomiale corecte fiind în acest caz importantă. Un
polinom de grad prea mic va genera un model matematic prea grosier pentru procesul
de optimizare pe când unul având un grad prea mare nu va putea atenua influenţa unor
factori aleatori întâlniţi în procesul de măsurare, ca şi apreciere influenţei altor parametrii
decât cel luat în calcul asupra mărimii a cărei lege dorim să o exprimăm. Se impune
astfel stabilirea unui criteriu în funcţie de care să se determine gradul polinomului. Acest
criteriu va fi obţinerea unei valori minime a dispersiei punctelor faţă de ecuaţia de
2
regresie s y. De regulă, pentru calculatoarele moderne acest lucru se obţine prin mărirea
progresivă a gradului polinomului de aproximare până în momentul în care se obţne o
dispersie mai mare decât cea anterioară dau până când s-a atins dispersia dorită. De
asemenea acelaşi lucru poate fi obţinut utilizând o lege polinomială ca cea din ec. (2.35),
prin scrierea acesteia cu ajutorul polinoamelor Cebîşev:
79
Capitolul 2.
m
yˆ = ∑c ⋅ p
i =0
i i(u ) (2.41)
2.4.1. Introducere.
De cele mai multe ori, la descrierea unui proces nu este suficientă utilizarea unui singur
parametru. În cazul procesului de sudă, lăţimea, supraînălţarea, aria bombajului
rădăcinii, diluţia, pătrunderea cordonului de sudură, duritatea ZIT-ului, estimarea
rezilienţei şi a vitezei de avans a electrodului în regimul arcului pulsat, etc, necesită
utilizarea mai multor parametrii. Aceste caracteristici fiind influenţate de un număr mare
de factori. Este necesară deci utilizarea unor legi mai complexe, de forma:
fˆ = f ( x1 , x 2 ,..., x m ) (2.42)
Deşi forma funcţiei este mai diferită decât în cazul regresiilor funcţie de un parametru,
totuşi metoda minimizării abaterii pătratice poate fi utilizată în continuare.
Se pot defini astfel legi de regresie liniare şi neliniare. De regulă gradul polinomului
neliniar este limitat din cauza faptului că procesele de optimizare ulterioare devin prea
complicate dar şi numărul de puncte în care se fac măsurătorile este prea ridicat ceea ce
conduce la mărirea riscului de apariţie a unor erori de măsurare.
Exprimarea unei relaţii liniare între mărimea care se măsoară şi parametrii cu care s-au
obţinut valorile măsurate, expresia de forma (2.42) se poate scrie astfel:
yˆ ≈ y = a 0 + a1 ⋅ x1 + a 2 ⋅ x 2 + ... + a m ⋅ x m (2.43)
S = ∑ ( y i − a 0 − a1 ⋅ x1i − ... − a m ⋅ x mi )
2
(2.44)
i
Expresia ecuaţiilor minime ale abaterii pătratice este:
80
Capitolul 2.
∂S
∂a = 2 ⋅ ∑ ( y i − a 0 − a 0 ⋅ x1i − ... − a m ⋅ x mi ) ⋅ (− 1 )
0 i
∂
= 2 ⋅ ∑ ( y i − a 0 − a1 ⋅ x1i − .... − a m ⋅ x mi ) ⋅ (− x1i )
S
∂a1 i
(2.45)
..................
∂S
= 2 ⋅ ∑ ( y i − a 0 − a1 ⋅ x1i − .... − a m ⋅ x mi ) ⋅ (− x mi )
∂a m i
n
∑x 1i ... ∑x mi a0 ∑ yi
∑ x1i ∑x ∑x ⋅x ∑ yi ⋅ x1i
2
... 1i a1
⋅ =
1i mi
(2.46)
... ... ... ... ... ...
∑ x mi ∑x ⋅ x mi ∑ x mi a m ∑ yi ⋅ x mi
2
1i ...
yˆ ≈ y = b0 ⋅ x0 + b1 ⋅ x1 + b2 ⋅ x 2 + ... + bm ⋅ x m (2.47)
Introducând notaţiile:
1 x 11 x 21 ... x m1
1 1 1 1 ... 1
x m 2 x ... x1n
x 12 x 22 ...
11 x12 x13
X = 1 x 13 x 23 ... x m3 X = x 21
T
x 22 x 23 ... x 2n (2.48)
... ... ... ...
... ... ... ... ...
1 x 1n x 2n ... x m n xm x m2 x m3 ... x mn
1
(
B = XT ⋅X )−1
⋅ X T ⋅Y (2.51)
Astfel în cazul în care matricea (XT X)-1 poate fi calculată, coeficienţii regresiei pot fi
determinaţi mult mai uşor. De asemenea, matricea inversă este foarte utilă la
determinarea dispersiilor coeficienţilor regresiei (sbj; j = 0,…,m). De regulă această
matrice mai este notată cu litera C şi asupra se se fac mai multe referiri în literature de
specialitate.
Exprimarea unei relaţii neliniare între mărimea care se măsoară şi parametrii cu care s-
au obţinut valorile măsurate, expresia de forma (2.52) se poate scrie astfel:
(
S = ∑ y i − a 00 − a 01 ⋅ x1i − ... − a 0 m ⋅ x mi − a11 ⋅ x12 − .. − a1m ⋅ x1 ⋅ x m − ... − a mm ⋅ x m2 )2
(2.53)
i
Expresia ecuaţiilor minime ale abaterii pătratice este (2.54):
82
Capitolul 2.
∂S
∂a 00
(
= 2 ⋅ ∑ y i − a 00 − a 01 ⋅ x1 − .. − a 0 m ⋅ x m − a11 ⋅ x12 − .. − a1m ⋅ x1 ⋅ x m − .. − a mm ⋅ x m2 ⋅ (−1) )
i
∂S
∂a 01
(
= 2 ⋅ ∑ y i − a 00 − a 01 ⋅ x1 − .. − a 0 m ⋅ x m − a11 ⋅ x12 − ..a1m ⋅ x1 ⋅ x m − .. − a mm ⋅ x m2 ⋅ (− x1 ) )
i
....
∂S
∂a11
(
= 2 ⋅ ∑ y i − a 00 − a 01 ⋅ x1 − .. − a 0 m ⋅ x m − a11 ⋅ x12 − .. − a1m ⋅ x1 ⋅ x m − .. − a mm ⋅ x m2 ⋅ − x12 )( )
i
∂S
∂a12
(
= 2 ⋅ ∑ y i − a 00 − a 01 ⋅ x1 − .. − a 0 m ⋅ x m − a11 ⋅ x12 − a12 ⋅ x1 ⋅ x 2 − .. − a mm ⋅ x m2 ⋅ (− x1 ⋅ x 2 ) )
i
....
Prin impunerea condiţiei anulării acestor derivate se obţine sistemul (2.55):
n ∑i x1i ... ∑i xmi ∑i x12i ∑i x1i ⋅ x2i ... ∑i yi
a
∑i x1i ∑i x12i ... ∑i x1i ⋅ x mi ∑i x13i ∑i x12i ⋅ x2i ... a01 ∑i yi ⋅ x1i
00
∑ x2i ∑ x1i ⋅ x 2i ... ∑ x 2i ⋅ xmi ∑ x2i ⋅ x12i ∑ x1i ⋅ x22i ... a02 ∑ yi ⋅ x2i i
... × ... =
i i i i i
... ... ... ... ... ... ...
∑x mi ∑x ⋅x mi 1 ... ∑x 2
mi ∑x ⋅x 2
1i mi ∑x ⋅x ⋅x 1i 2i mi ... a 0 m ∑y ⋅x i mi
i i i i i a11 i
∑x 2
1i ∑x 3
1i ... ∑x ⋅x 2
1i mi ∑x 4
1i ∑x ⋅x 3
1i 2i ...
... ∑y ⋅x
i
i
2
1i
i i i i i
... ... ... ... ... ... ... ...
1 ry , x1 ry , x 2 ... ry , xm
r 1 rx1 , x2 ... rx1 , xm
x1 , y
P = rx2 , y rx2 , x1 1 ... rx2 , xm (2.52)
... ... ... ... ...
rx , y rxm , x1 rxm , x2 ... 1
m
∑ (y ( j − y ) xi j − xi )
ry , xi = rxi , y =
j
∑ (y − y ) (x −x )
(2.53)
2 2
j ij i
j
83
Capitolul 2.
∑ (x ik )(
− x i x jk − x j )
rxi , x j = rx j , xi = k
(2.54)
∑ (x − xi ) (x − xj )
2 2
ik jk
k
P
ry , x1x2 ... xm = 1 − (2.55)
P 11
(
C = XT ⋅X )−1
(2.56)
a) Dispersia datelor:
84
Capitolul 2.
∑ (y − y)
2
i
s 02 = i
(2.57)
n−m
b) Dispersia de concordanţă:
∑ (y − y)
2
i
2
s con = i
(2.58)
l−m
2
s con
FC = ≤ F(α ,ν con ,ν 0 ) (2.59)
s 02
unde:
ν con = n − l
ν 0 = n −1
l = m +1
ν 0 ⋅ s 02 + ν con ⋅ s con
2
s2 = (2.60)
ν 0 + ν con
s a2 j = c jj ⋅ s 2 (2.61)
c0 j
rb j 0 = (2.63)
c00 ⋅ c jj
cij
rbij = (2.64)
cii ⋅ c jj
bj bj
tj = = (2.65)
sb j s ⋅ c jj
valorile obţinute ale intervalului se compară cu valorile date de distribuţia Student pentru
gradul de încredere dorit (de regulă α = 0,05) şi numărul de grade de libertate ν=ν0+νconv.
Se cieşte astfel valoarea tT = t(α,ν)
Dacă tj este mai mic sau egal cu tT atunci coeficientul bj poate fi exclus din legea de
regresie. Acest lucru înseamnă că parametrul xj nu a fost bine ales şi importanţa sa
asupra fenomenului fizic descries de legea de regresie este neglijabilă.
Dacă tj este mai mare decât tT atunci coeficientul bj nu poate fi exclus şi se poate stabili
intervalul de încadrare ale acestuia.
b Sj = b j + t T ⋅ sb
I (2.66)
j
b j = b j − t T ⋅ s b j
Observaţie. La îndepărtarea unui parametru este recomandată doar în cazul în care nici
o corelaţie dintre parametrii nu este sufficient de bună, deci toţi rbib j ≈ 0 în caz contrar
totuşi parametrul trebuie păstrat în lege deoarece este important pentru efectele pe care
le are împreună cu alţi parametrii.
Exemplul 2.3.
Să se determine legea liniară de mai multe variabile, care să exprime datele din tabelul
2.15.
Nr. Crt. x1 x2 x3 y
1 0,106 47,12 2 45,5
2 0,106 47,12 1,5 44
3 0,106 47,12 1,0 42,5
4 0,106 47,12 0,25 31
5 0,106 94,24 0,5 48,5
6 0,106 150,72 0,5 64,5
7 0,106 188,4 0,5 67,5
8 0,167 47,12 0,5 45
9 0,460 47,12 0,5 54,5
10 0,530 47,12 0,5 57,5
86
Capitolul 2.
Coeficientu
Suma Nr. grade l de
regresie Eroarea
pătratelor de Dispersia F
multiplă standard.
abaterilor libertate.
ry , x1x2 x3
Regresia 26076,71 3 8692,23 777,94 0,988 3,342
Rest 67,04 6 11,17
Total 26143,75 9
Verificarea diferenţelor.
y ŷ y − yˆ Eroarea (%)
47 45,5 1,5 3,2
43,8 44 0,11 0,27
40,7 42,5 1,74 4,28
36 31 5,06 14,04
48,3 48,5 0,11 0,22
61,3 64,5 3,21 5,24
69,8 67,5 2,39 3,42
40,4 45 4,45 10,92
Exemplul 2.4.
Figura 2.10. Geometria îmbinării sudate pentru determinarea expresiei săgeţii în funcţie de
geometrie.
2
Table 2.4.1.Valorile medii ale presiunii echivalente pS in [N/mm ] obţinute pentru epruvetele din figura 2.11.
Table 2.4.2. Datele iniţiale şi cele intermediare obţinute în scopul determinării legii de regresie.
Nr. de Rp0,2 PS de2 Rp0,22 de Rp0,2 de P S Rp0,2 PS PS2
[mm] [N/mm2] [N/mm2]
Crt
1 2,5 220 2531 6,25 48400 550 6327,5 556820 6405961
2 2,5 280 3222 6,25 78400 700 8055 902160 10381284
3 2,5 346 3549 6,25 119716 865 8872,5 1227954 12595401
4 3,25 220 3774 10,5625 48400 715 12265,5 830280 14243076
5 3,25 280 4803 10,5625 78400 910 15609,75 1344840 23068809
6 3,25 346 5442 10,5625 119716 1124,5 17686,5 1882932 29615364
7 4 220 4897 16 48400 880 19588 1077340 23980609
8 4 280 6292 16 78400 1120 25168 1761760 39589264
9 4 346 7060 16 119716 1384 28240 2442760 49843600
10 5 220 6232 25 48400 1100 31460 1384240 39589264
11 5 280 8008 25 78400 1400 40040 2242240 64128064
12 5 346 9072 25 119716 1730 45360 3138912 82301184
44,25 3384 64242 173,438 986064 12478,5 258672,75 18792238 395741880
~
p S = −5731,318 + 1868,407 ⋅ d e + 15,06525 ⋅ R p 0, 2
unde:
de diametrul electrodului [mm]
2
Rp0,2 rezistenţa la curgere a materialului de bază [N/mm ]
[%]
2254,0545 276,9455 10,94214 8318417,361 76698,81
3157,9695 64,0305 1,987291 1503204,229 4099,905
4152,276 -503,276 -13,7922 13315201 253286,7
3655,3598 118,6403 3,143621 14243076 14075,51
4559,2748 243,7253 5,074438 23068809 59402
5553,5813 -111,581 -2,05037 29606573,78 12450,38
5056,665 -159,665 -3,26047 23978953,8 25492,91
5960,58 271,42 4,355263 38837824 73668,82
6954,8865 105,1135 1,48886 49829876,99 11048,85
6925,072 -633,072 -10,0615 39578205,95 400780,2
7828,987 179,013 2,235427 64128064 32045,65
8823,2935 248,7065 2,741474 82283463,86 61854,92
388691670 1024905
2
s R0 = 35335606,36
s2R1 = 113878,3
FC = 0,003223
FT(0,05;2;9) = 7,12
Deoarece condiţia impusă asupra concordanţei legii cu măsurătorile este îndeplinită (FC
< FT) se trage concluzia că legea de regresie obţinută este corectă. Rezultatele analizei
coeficienţilor legii de regresie astfel obţinute sunt prezentate în tabelul 2.4.7.
p S = p S (d e , R p 0, 2 ) ⋅ K m
90
Capitolul 2.
II.- Determinarea unei funcţii complexe care să exprime presiunea echivalentă în funcţie
de numărul de treceri şi diametrul electrodului. Deci o funcţie de forma:
p S = p S (n, d e )
Cazul I.
S-au efectuat măsurătorile pentru n=1…20 de treceri şi datele obţinute pentru valorile
medii ale presiunii echivalente au fost folosite la completarea tabelului 2.4.8 necesar
determinării expresiei coeficientului de corecţie Km. Pe baza coloanelor 2 şi 8 ale
tabelului s-au dterminat mai multe regresii care conferă precizie suficientă expresiei
coeficientului Km în funcţie de numărul de treceri. Expresiile acestor regresii sunt date în
tabelul 2.4.9. Se verifică legea de regresie cea mai uşor de calculat şi care conferă şi o
precizie ridicată, Km=n-0,71 şi se complectează tabelul 2.4.8.
Pe baza datelor din tabelul 2.4.8 se calculează mărimile statistice ale legii şi se
evaluează criteriul Fisher pentru această relaţie. Rezultatele sunt date în tabelul 2.4.10.
Tabelul 2.4.8. Valorile medii ale presiunii echivalente în funcţie de numărul de treceri şi valoarea
măsurată a raportului dintre cele presiunea echivalentă medie a îmbinării dintr-o singură trecere şi
cea din mai multe treceri.
Nr. nr. (n-nmed)2 Y1 = Km1 Y2 = Km2 Y3 = Km3 Y4 = Km4 Ymed Yc=n-0,71 Σ(Yi-Ymed)2 Σs2i (Ymas-Yc)2
Crt trecerii Măsurăt Măsurăt. 2 Măsurăt. 3 Măsurăt. (media)
n 1 4
1 2 3 4 5 6 7 8 9 10 11 12
1 1 90,25 1 1 1 1 1 1 0 0 0
2 2 72,25 0,595 0,612 0,609 0,58 0,599 0,61132013 0,000646 0,000646 0,000151786
9
3 3 56,25 0,38 0,48 0,51 0,47 0,46 0,45839926 0,0094 0,0094 2,56236E-06
1
4 4 42,25 0,35 0,36 0,41 0,36 0,37 0,37371231 0,0022 0,0022 1,37813E-05
2
5 5 30,25 0,29 0,33 0,31 0,33 0,315 0,31895638 0,0011 0,0011 1,5653E-05
2
6 6 20,25 0,27 0,29 0,3 0,26 0,28 0,2802287 0,001 0,001 5,23037E-08
7 7 12,25 0,25 0,27 0,27 0,22 0,2525 0,25117730 0,001675 0,001675 1,74953E-06
2
8 8 6,25 0,23 0,24 0,22 0,2 0,2225 0,22845786 0,000875 0,000875 3,54961E-05
3
9 9 2,25 0,21 0,22 0,2 0,2 0,2075 0,21012988 0,000275 0,000275 6,91628E-06
3
10 10 0,25 0,19 0,2 0,18 0,2 0,1925 0,19498446 0,000275 0,000275 6,17254E-06
11 11 0,25 0,17 0,19 0,17 0,19 0,18 0,18222635 0,0004 0,0004 4,95667E-06
7
12 12 2,25 0,16 0,18 0,17 0,18 0,1725 0,17130944 0,000275 0,000275 1,41741E-06
8
13 13 6,25 0,15 0,16 0,16 0,17 0,16 0,16184534 0,0002 0,0002 3,40531E-06
8
14 14 12,25 0,14 0,14 0,16 0,17 0,1525 0,15354974 0,000675 0,000675 1,10196E-06
3
15 15 20,25 0,14 0,13 0,16 0,148 0,1445 0,14620937 0,000483 0,000483 2,92195E-06
16 16 30,25 0,13 0,13 0,15 0,15 0,14 0,13966089 0,0004 0,0004 1,14994E-07
2
17 17 42,25 0,13 0,12 0,14 0,14 0,1325 0,13377694 0,000275 0,000275 1,63058E-06
2
18 18 56,25 0,12 0,12 0,13 0,13 0,125 0,12845662 0,0001 0,0001 1,19483E-05
9
19 19 72,25 0,11 0,12 0,13 0,12 0,12 0,12361892 0,0002 0,0002 1,30966E-05
20 20 90,25 0,11 0,115 0,11 0,128 0,1157 0,11919792 0,000216 0,000217 1,18882E-05
5 7 75
91
Capitolul 2.
Tabelul 2.4.9. Legile de regresie posibile pentru coeficientul de corecţie Km pe baza coloanelor 2 şi 8
din tabelul 2.4.8.
Expresia legii de
Coeficienţii legii Coeficientul Eroarea
Nr. regresie.
de corelaţie standard
1 a = 0,00772745
1 km = b = 0,9922673 0,9999 0,0002239
a + b ⋅ nc c = 0,71284825
−1
a = 0,0073005
2 k m = (a + b ⋅ n ) c b = 0,99269867 0,9999 0,0002249
c = 1,4041384
b a = 0,0052062
a + + c ⋅ln(n )
3 km = e x b = -0,005206 0,9999 0,0002249
c = -0,71217643
1 a = 1,0052197
4 km = a ⋅ b ⋅ nc
n b = 0,994808 0,9999 0,0002249
c = -0,70857
a = 1,0004521
5 km = a ⋅ bn ⋅ nc b = 0,99963052 0,9999 0,0002252
c = -0,70857114
a = 1,0003978
6 km = a ⋅ nb 0,9999 0,0003113
b = -0,7101382
Legile de regresie care conduc la cea mai bună aproximare pentru coeficientul Km sunt
din familia puterilor şi dintre acestea a fost adoptată ca fiind cea mai uşor de utilizat şi cu
2
un coefficient de corelaţie foarte bun, R y,x = 0,999 legea:
1 1
k m = n −0, 71 ≡ sau km =
2 ,13
3
n 3
n2
Deci expresia forţei tendon echivalente cu procesul de sudură pentru cazul analizat este:
pS
FS = p S ⋅ AS ⋅ k m = AS
3
n 2,13
92
Capitolul 2.
Concluzii:
Exemplul 2.5.
B hi
b p δ
Ψp = B / p
a)
a)
δ1
p∆
B
δ2
k
b) a
b)
Figura 2.12.
93
Capitolul 2.
a). Caracteristicile geometrice ale îmbinării cap la cap ( b = 0..2,5 mm; δ = 3…12 mm; p = 3…12 mm; B =
5…30 mm)
b). Caracteristicile geometrice ale îmbinărilor de colţ ( δ = 3 … 12 mm; b = 0…3 mm; pk = 3…6 mm )
Analiza datelor statistice a condus la următoarele ecuaţii de regresie pentru sudarea cap
la cap cu rost neprelucrat şi a celor de colţ.
Table 2.5.3 Expresia regresiilor liniare a parametrilor de sudare în funcţie de parametrii geometrici ai
îmbinării pentru suduri cap la cap şi de colţ.
Domeniul. Ecuaţia obţinută. Err.
Is = -1,168 + 1,666083 · 10 δ + 0,1813 b - 0,0174 B +
-3
8,4%
3,065· 10 p - 5,288· 10 Ψp + 1,058· 10 Kmb + 6,785· 10 El
-3 -2 -2 -2
[cm / min] -2
- 0,2174 Is Vs - 1,4226·10 Is Ve + 1,2776 Ua Vs + 0,067 Ua Ve +
-2
3,657·10 Vs Ve .
0,000137 Vs Ve)
Aceşti parametrii se găsesc în tabelul 2.5.8 iar programul scris în visualBazic 6.0 care
asigură prelucrarea datelor măsurătorilor, determinarea regresiilor multiple liniare şi
patratice ca şi optimizarea sistemului de ecuaţii astfel obţinut din condiţia de asigurare a
energiei liniare minime are formurile de interfaţă cu utilizatorul prezentate în figurile 2.5.1,
2.5.2,2.53.
Tabelul 4. Expresia valorilor optime pentru parametrii de sudare în cazul sudării tablelor cu grosime
de 3 mm sau bilateral pentru table de 6 mm.
Domeniul Tip Legea de regresie obţinută Coef.
îmbinare Corelaţie
de = 1..1,2 Cap la Is = -134 + 14,42 δ + 311,3 de + 8,22 δ b + 40,3 δ de R = 0,92
- 110 b de - 3 δ - 148,4 de
2 2
mm cap
δ = 3..6 mm (I) Ua = 31,8 + 1,62 δ +- 3,03 b - 19,75 de -0,1358 δ b + R = 0,89
b = 0..2 mm 6,806 de2
Vs = 42,3 + 7,81 δ - 22,44 b - 50,6 de + 1,07 δ b - R = 0,83
0,415 δ + 18,8 de
2 2
Figura 2.16. Modulul destinat stabilirii expresiei parametrilor optimi. Caseta de dialog destinată
alegerii expresiei de optimizat a restricţiilor ca şi a valorilor extreme ale parametrilor.
Astfel:
- potate fi făcută rapid corecţia parametrilor tehnologici de sudare, chiar în timpul
lucrului, dacă spre exemplu distanţa dintre piese se modifică în limitele
domeniului analizat pentru anumite zone ale îmbinării,
- se pot semnala cu uşurinţă zonele de cordon în care parametrii nu au respectat
domeniul de mărime calculat, prin marcarea acestora,
- uşurează supravegherea şi controlul parametrilor de sudare,
- se poate oprii procesul de sudare dacă nu este posibilă asigurarea calităţii
geometrice a îmbinării.
Toate aceste opţiuni, care privesc controlul activ al procesului de sudare, sunt posibile
doar pentru domeniul de valabilitate al analizei efectuate.
Astfel:
- asigurarea parametrilor optimi de sudare pentru cazul în care se doreşte
sudarea unui cordon care nu este rectiliniuu, nu a fost analizată. Metoda de
abordare, ca şi programul elaborat cu aceasta permit însă abordarea cu
uşurinţă şi a acestui caz,
- asigurarea parametrilor de sudare optimi pentru cazul utilizării amestecurilor de
gaze nu a fost analizat,
- asigurarea parametrilor de sudare optimi în cazul îmbinărilor sudate pentru
oţeluri care nu corespund compoziţiei chimice avută în vedere la determinarea
relaţiilor statistice, nu este posibilă fără o refacere a experienţelor.
100
Capitolul 3.
două curbe, câte una pentru fiecare parametru.. Valoarea extremă a funcţiei ce se
supune optimizării rezultând în punctul :
Xo = (X13 , X24).
Observaţii:
Nivelul zero: defineşte valoarea medie a parametrului (Xmax - Xmin)/2 = Xmed, în cadrul
o
matricii programării. În mod curent, nivelul zero al parametrului Xi se notează cu z i .
Intervalul de variaţie (∆zi). Reprezintă acea valoare ∆zi care adăugată sau scăzută din
valoarea nivelului zero, permite obţinerea nivelului maxim, respectiv minim.
Valorile extreme ale parametrilor consideraţi (zMi respectiv zmi ) mai sunt numite şi
limite de existenţă ale parametrilor, iar intervalul (zM, zm) interval de definiţie al
parametrilor, ca în figura 3.3
-->
a) sistemul Ozi al variabilelor naturale
b) sistemul Oxi al variabilelor codificate
s
2 i < ∆zi (3.3a)
z iM − z im
∆z i = (3.3b)
2
unde:
s i - reprezintă abaterea medie pătratică a parametrului zi
∆zi - intervalul de variaţie al acestuia
z Mi - z mi - domeniul de variaţie al parametrului
13 +1 +1 +1 -1 -1 +1
14 +1 -1 +1 -1 -1 +1
4
15 EFC 2 +1 +1 -1 -1 -1 +1
16 +1 -1 -1 -1 -1 +1
17 +1 +1 +1 +1 +1 -1
18 +1 -1 +1 +1 +1 -1
M EFC 25 M M M M M M
32 +1 -1 -1 -1 -1 -1
Procedeul exemplificat în tab. 3.2 poate fi extins pentru procese ce depind de oricâţi
parametrii.
Coloana xo este coloana valorilor variabilei fictive (xo), având ca scop generalizarea
calculelor.
În coloana x1 , semnul variabilei fictive se modifică alternant în conformitate cu o relaţie
de forma (-1)1+i unde i este numărul experienţei. În cazul coloanei x2 semnul se modifică
în conformitate cu legea 22 .
∑X
n =1
in =0
(3.4)
N
∑X
n =1
2
in =N
(3.5)
(i = 1,2 …n)
n - numărul factorilor
N - numărul experienţelor N = 2N
∑X
n =1
in X jn = 0
(3.6)
s = s + sx
)
y
2 2
a0
2
a0
2
1 +L+ sx
n
an
n
n
(3.7)
106
Capitolul 3.
N
s
0 şi deci:
2 2
n
s s
y =
2
)
bi 1 + ∑ X i
i =1
(3.8)
cum punctele sunt simetrice, ecuaţia (3.8) rezultă că dispersia regresiei depinde doar de
distanţa din centrul experimentului la punctul extrem al încercării deci matricea
programării conferă şi proprietatea de rotabilitate. În concluzie, se consideră următoarele
n
proprietăţi ale programelor EFC 2 :
• dispersiile coeficienţilor ecuaţiei de regresie s ai sunt egale între ele şi conduc la
2
valori minime
• coeficienţii ecuaţiei de regresie ai se determină independent unii de alţii
• calculul coeficienţilor se simplifică mult
s
• dispersia variabilei de stare y)2 este independentă de rotirea sistemului de
coordonate în centrul programului.
n N n N
∑∑ a
j = 0 i =1
j xi x jii = ∑∑ x jii y i
j = 0 i =1
(3.10)
în care:
N m
1 1
aj =
N
∑ xin y n =
n =1 mN
∑y
k =1
nk
(3.11)
1 1 1 y1
1 1 1 1 4 0 0
1 −1 1 y
X= ; Y = 2 ; XT = 1 −1 1 −1 ; X X = 0 4 0 ;
T
1 1 −1 y3
1 1 −1 −1 0 0 4
1 −1 −1 y4
4
y1 ∑
x0 n y n
1 1 1 1 n =1
y2 4
X TY = 1 −1 1 −1 ⋅
y ∑
= x1n yn
1 1 −1 −1 3 n =1
4
∑
y4
x2 n y n
n =1
sistemul devine:
(X X )B = X
T T
Y (3.13)
deci:
4
∑ x 0 n y n
4 0 0 a 0 n =41
0 4 0 ⋅ a = x y
1 ∑ 1n n (3.14)
0 0 4 a 2 n =1
4
x y
∑
n =1
2n n
coeficienţii vor fi:
B= XTX ( ) (X Y )
−1 T
(3.15)
108
Capitolul 3.
x y 1 x y
4 4
1
0 0 ∑ 0 n n ∑ 0 n n
a 0 4 4
n =1
4 n =41
1 1
a1 = 0 0 ⋅ ∑ x1n y n = ∑ x1n y n (3.16)
a 4 n =1 4
n4=1
2 1 4
x 2 n y n ∑ x 2 n y n
1
4 ∑
0 0
n =1 4 n =1
Scrierea ecuaţiei:
)
y = a 0 + a1 x1 + a 2 x 2 (3.17)
G= s
2
n max
c n
(3.19)
∑s
n =1
n
2
Dacă:
G ≤G c 0,05(ν1,ν2) (ν1 = m -1 ; ν2 = N) (3.20)
atunci dispersiile sunt omogene, altfel se admite că acestea nu sunt omogene fiind
necesară fie mărimea preciziei metodei de măsurare a variabilelor y, sau prin mărirea
numărului de determinări paralele m sau prin modificarea variabilei y, sub forma u = ln y
1/2 y
sau u = y sau u = e .
Dacă dispersiile sunt omogene, se calculează o dispersie medie, cu relaţia:
N N m
s = N1 ∑ s = N (m1 − 1) ∑∑ (y
0
2
n
2
nk − yn )
2
(3.21)
n =1 n =1 k =1
s = Ns
2
2
ai
0
'
N’ = Nm (3.22)
ai
t ai = i = 1,2, L, l (3.23)
s 2
ai
tT0,05(νo):
Dacă tai > tT0,5(νo) se consideră coeficientul semnificativ, parametrul considerat fiind
păstrat în legea de regresie.
F = ss
2
con
2
(3.24)
0
unde:
m ) 2
s 2
con =
N −e
∑ (y n − yn ) (3.25)
Din tabelul testului Fischer, pentru νcon = N - e şi νo = N(m -1) şi α = 0,05 se citeşte FT.
Dacă F ≤ FT atunci se consideră că ecuaţia de regresie liniară este adecvată.
Dacă testul nu este satisfăcut, atunci fie se încearcă o regresie de grad mai mare,
fie se micşorează intervalele de variaţie ale parametrilor şi se reface experimentul .
Dacă unul dintre parametrii a fost neglijat în faza de premodelare, atunci acesta va
fi reintrodus înaintea repetării experienţelor.
5 +1 +1 +1 -1 +1 -1 -1 y5
6 +1 -1 +1 -1 -1 +1 -1 y6
7 +1 +1 -1 -1 -1 -1 +1 y7
8 +1 -1 -1 -1 +1 +1 +1 y8
N
1
a ij =
N
∑x
n =1
in x jn y n (i ≠ j ) (3.26)
N n
)
y = a 0 + ∑ a i xi + ∑a ij xi x j (3.27)
i =1 i , j =1
i≠ j
Programele EFC sunt deosebit de utile în cazul în care se urmăreşte obţinerea unui
model matematic pentru cazul în care numărul de parametri va fi mai mare decât trei (n
> 3). Cu toate acestea, creşterea numărului parametrilor conduce la mărirea numărului
experienţelor. Astfel, pentru EFC 23 sunt necesare 8 măsurător, pentru EFC 24 , 16
măsurători, pentru EFC 28 256 măsurători, etc.
Micşorarea numărului de experienţe , conduce la generarea unor experienţe factoriale
p
fracţionate (EFF) sau replici fracţionare, care reprezintă un procent (1/2, 1/4 , … , 1/2 )
din experimentul factorial complet.
Un program incomplet, (un subprogram) derivat dint-un EFC 23, redus la 1/2 poate
fi prezentat în tabelul 3.5.
Tabelul 3.5
Nr. Variabila
Parametrii
exp x0 măsurată
x1 x2 x3= x1x2 x1x3 x 2x3 x1x 2x3 y
1 +1 +1 +1 +1 +1 +1 +1 y1
2 +1 -1 +1 -1 +1 -1 +1 y2
3 +1 +1 -1 -1 -1 +1 +1 y3
4 +1 -1 -1 +1 -1 -1 +1 y4
Se observă din tab 3.5 existenţa unei coincidenţe între coloanele X1 şi X2X3 , X2 şi X1X3 ,
Xo şi X1X2X3 .
Dacă se consideră X3 = - X1X2 atunci va rezulta un alt subprogram factorial, dar în care:
a’’1 β1 - β23 ; a’’2 β2 - β13 ; a’’3 β3 + β12 ; a’’o βo - β123 pe baza tabelului 3.6
Tabelul 3.6
Nr. Variabila
Parametrii
exp x0 măsurată
x1 x2 x 3= - x1x 2 x1x3 x 2x3 x1x 2x3 y
1 +1 +1 +1 -1 -1 -1 -1 y1
2 +1 -1 +1 +1 -1 +1 -1 y2
3 +1 +1 -1 +1 +1 -1 -1 y3
4 +1 -1 -1 -1 +1 +1 +1 y4
Se observă că:
a1 = (a’1 + a’’1)/2 β1
a2 = (a’2 + a’’2)/2 β2
a1 = (a’3 + a’’3)/2 β3
Determinarea “replicilor” , care exprimă cazul în care p efecte liniare sunt identice
cu efectele de interacţiune, conduce la formarea unui program experimental de ordinul
2n-p .
Principalele caracteristici ale replicilor fracţionarea sunt prezentate în tabelul 3.7.
Tabelul 3.7
Numărul de Nr.
Nr. Notaţia
Replica fracţionară experienţe ale determinărilor
param. convenţională
replicii în cazul EFC
3 1 / 2 din 23 23-1 4 8
4 1 / 2 din 24 24-1 8 16
5 1 / 4 din 25 25-2 8 32
6 1 / 8 din 26 26-2 8 64
7 1 / 16 din 27 26-3 8 128
5 1 / 2 din 25 25-1 16 32
6 1 / 4 din 26 26-2 16 64
7 1 / 8 din 27 27-3 16 128
8 1 / 16 din 28 28-4 16 256
9 1 / 32 din 29 29-5 16 512
10 1 / 64 din 210 210-6 16 1024
cum X32 = 1;
1 = X1X2X3 şi 1 = - X1X2X3 (3.29)
X1 = X1X1X2X3 = X2X3
X2 = X2X1X2X3 = X1X3
X3 = X3X1X2X3 = X1X2
a1 β1 + β23
a2 β2 + β13
a3 β3 + β12
Exemplu 3.1:
X4 = X1X2X3 ; X5 = - X1X2
Contrastele determinate au forma:
a12 = a13 = a14 = a15 = a23 = a24 = a25 = a34 = a35 = a45 = a11 = a22 = a33 = a44 = a55 = 0
Tab. 3.8
Parametrii z1 z2 z3 z4 z5 Coeficienţii regresiei
Nivel zero 2,0 100 1,5 0,2 2,0 b0=27,21 ; b1=4,83
b2=2,86 ; b3=0,81 ;
Interval de variaţie 1,0 10 0,5 0,1 1,0
b4=0,38 ; b5=11,08
Nr. Parametrii
exp x0 y
x1 x2 x3 x4 x5
1 +1 -1 -1 -1 -1 -1 14,5
2 +1 +1 +1 -1 -1 -1 18,6
3 +1 -1 -1 +1 +1 -1 13,6
4 +1 +1 -1 +1 -1 +1 51,0
5 +1 -1 +1 +1 -1 +1 23,2
6 +1 +1 -1 -1 +1 +1 41,0
7 +1 -1 +1 -1 +1 +1 38,0
8 +1 +1 +1 +1 +1 -1 17,6
Date statistice:
so
2
s
= 2,8 ; νo = 2 ; ai2 = 0,35 ; tT = t0,05(2) = 4,3 ; ∆b = 4,3 0,35 = 2,537 iar b3 şi b4 sunt
nesemnificativi şi se elimină din model.
40,06
s2
con = 40,06 ; νcon = 8 - 4 = 4 ; F =
2,80
F
= 14,31 < T0 ,05 ( 4 ; 2 ) = 19,25
Concluzii:
Cazul apare în momentul în care cel puţin un efect de interacţiune este nesemnificativ.
De asemenea Fc > FT şi deci testul Fischer nu este îndeplinit.
În cazul în care se doreşte continuarea căutării unui model liniar, trebuie modificat
centrul experimentului într-un punct ce corespunde celei mai bune valori întâlnite în
procesul de experimentare. Procedând astfel, curbura suprafeţei de răspuns y = y(x1 , x2
, … , xn) se atenuează şi modelul liniar are şansă de reuşită. Dacă şi în acest caz modul
liniar nu dă rezultate, se consideră că punctul zero, este plasat în zona optimului şi se
încearcă exprimarea unei legi multivariabile polinomiale de ordinul doi pentru descrierea
fenomenului şi optimizarea acestuia.
Tot în acest scop se urmăreşte o analiză riguroasă a coeficienţilor repartiţiei.
n n n
y = ∑ bi xi + ∑ bij x i x j + ∑ bii xi2 (3.29)
i =0 i =0 i =1
i≠ j
Astfel programele Box - Wilson sunt mult mai economice decât programele EFC 2n
şi au avantajul că pot deriva din programe EFC 2n fracţionare. Centrul programului
rămâne tot centrul programului EFC 2n care nu a îndeplinit condiţia de concordanţă .
Deci pot fi utilizate măsurători existente (deja făcute pentru legea liniară) cărora li se vor
adăuga unele puncte numite “puncte stea”, ca în figura 3…
116
Capitolul 3.
Tabelul 3.9
Nr. x0 x1 x2 x1 x2 x12 x22 y
exp
1 +1 +1 +1 +1 +1 +1 y1
2 +1 +1 -1 -1 +1 +1 y2
3 +1 -1 +1 -1 +1 +1 y3
4 +1 -1 -1 +1 +1 +1 y4
5 +1 +α 0 0 α2 0 y5
6 +1 -α 0 0 α2 0 y6
7 +1 0 +α 0 0 α2 y7
8 +1 0 -α 0 0 α2 y8
9 +1 0 0 0 0 0 y9
Asupra acestui tip de programe experimentale se fac de cele mai multe ori
modificări care să producă transformări ale matricii programării. Astfel acesta este indicat
să fie transformată într-o matrice ortogonală sau rotabilă.
∑x x =0
2
0 n in
(3.33a,b)
∑x x =0
2 2
in jin
conducând la :
N N N
∑x
n =1
0n xin' = ∑ x0 n xin2 − ∑ x0 n xi2
n =1 n =1
(3.35)
Condiţia (3.33b) necesită intervenţia asupra matricii programării. Dacă vom scrie
2
coloanele corespunzând variabilelor x i imediat după coloana xo, iar apoi cele ale
interacţiunilor xixj se va obţine pentru programul ortogonal. următoarea formă a matricii
informaţionale:
118
Capitolul 3.
N e e L L e
e f Nc L L Nc
e Nc f L L Nc
M
M 0
M
M
( ) e
XTX =
Nc Nc L L f
e
e 0
O
e
0 Nc
Nc
0 O
N c
(3.36)
iar:
e = Nc + 2α2 ;f = Nc + 2α4 (3.37;
3.38)
N e e e L e G E E E L E
e f Nc Nc L N c E F G G L G
e Nc f Nc L Nc E G F G L G
şi rezultă
e Nc Nc f L Nc E G G F L G
M M M M
e Nc Nc Nc L f E G G G L F
(3.39)
unde:
D = 2α 4 H −1 [ f + (n − 1)N c ]
E = −2 H −1eα 4
[
F = H −1 Nf + (n − 2 )NN c − (n − 1) ⋅ e 2 ]
(
G = H −1 e 2 − NN c )
[
H = 2α 4 Nf + (n − 1)NN c − n ⋅ e 2 ]
119
Capitolul 3.
N0 n
2 3 4 5 (semireplică)
1 1,00 1,476 2,00 2,39
2 1,160 1,650 2,146 2,58
3 1,317 1,831 2,390 2,77
4 1,475 2,00 2,580 2,95
5 1,606 2,164 2,77 3,14
6 1,742 2,325 2,95 3,31
7 1,873 2,481 3,14 3,49
8 2,00 2,633 3,31 3,66
9 2,123 2,782 3,49 3,83
10 2,243 2,928 3,66 4,00
Programul P.02 (n = 2)
Tabelul 3.13. Organizarea experienţelor pentru P02 (n=2)
Nr. exp x0 Parametrii Variabila măsurată
x1 x2 x 1x2 x 1’ x 2’ y
1 +1 +1 +1 +1 1/3 1/3 y1
2 +1 +1 -1 -1 1/3 1/3 y2
3 +1 -1 +1 -1 1/3 1/3 y3
4 +1 -1 -1 +1 1/3 1/3 y4
5 +1 +1 0 0 1/3 -2 / 3 y5
6 +1 -1 0 0 1/3 -2 / 3 y6
7 +1 0 +1 0 -2 / 3 1/3 y7
8 +1 0 -1 0 -2 / 3 1/3 y8
9 +1 0 0 0 -2 / 3 -2 / 3 y9
Pentru cazul în care se utilizează un program ortogonal P.0.2 , dar pentru 3
variabile , matricea programării experienţelor, poate fi făcute conform tabelului.
1 N ∑x in y in
a =
'
o
N
∑y n ; ai = n =1
N
n =1
∑x
n =1
2
in
N N
∑x
n =1
in x jn y in ∑x
n =1
'
in
y in
a ij = ; a ii = (3.40a,b,c,d)
∑ (x )
N N
∑ (xin y in )
2 ' 2
in
n =1 n =1
s '
=
s 2
0
; s 2
=
s 2
0
;
a 0' ai N
N
∑x
n =1
2
in
s 2
=
s 2
0
; s 2
=
s 2
0
(3.41a,b,c,d)
∑ (x in x jn ) ∑ (x )
aij N aii N
2 ' 2
in
n =1 n =1
s = s + (x )s + L + (x )s
2
a0
2
a0'
2
1
2
a11
2
n
2
ann (3.42)
s
unde: o2 reprezintă eroarea datelor experimentale, cunoscută în urma efectuării
n
programului EFC 2 . Ecuaţia dispersiei va fi:
)
y = a0' + a1 x1 + L + an xn + a12 x1 x2 + L + a( n −1) n xn −1 xn + a11 x12 − x12 + L + ann xn2 − xn2 ( ) ( ) (3.43)
sau:
)
y = a0 + a1 x1 + L + an xn + a12 x1 x2 + L + a( n −1) n xn −1 xn + a11 x12 + L + ann xn2 (3.44)
unde:
a0 = a0' − a11 x12 − L − ann xn2
(3.45a,b)
xi2 = xin2 − xin'
Tabelul 3.15.
Nr. Relaţii de calcul Notaţii funcţii
bloc
1 ) n n n n - nr. parametrilor procesului
y= ∑b x + ∑b x x +∑b x
i =0
i i
j > i =1
ij i j
i =1
2
ii i N - nr. determinări
2 N N
∑x
n =1
'
in
yin
aii = ; i = 1,n; i,j = 1,2,…, n ; i ≠ j
∑ (x )
N
' 2
in
n =1
3a Dispersiile se consideră omogene conform EFC
4 N0 N0 - numărul determinărilor
s = N 1− 1 ∑ (y
0
2
0k − y0)
2
paralele în centrul programului
0 k =1 ν 0 - nr. gradelor de libertate
ν 0 = N0 − 1
s = sN ; s = s s s= s
5 2 2 2 2 s02 - eroarea experimentală
' 0 2 0
; s= 2 0
;
2 0
; sa0’ , sai2 , saij2 , saii2 dispersiile
∑ (x in x jn ) ∑ (x )
a0' ai N aij N aii N
∑ x in2
n =1 n =1
2
n =1
' 2
in
coeficienţilor regresiei
tai , taij , taii - valorile calculate ale
t ai = ai s ;t ai aij = aij s aij ; t aii = aii s aii
criteriului student
tT - valoarea criteriului student
5a Verificarea semnificaţiei coeficienţilor tai , taij , taii > tT ; tT = t0,05(ν0)
Exemplul 3.2:
Tabelul 3.16
Parametrii procesului
Denumire Coeficienţi semnificativi
z1 z2 z3
a0’ = 97,47 ; a1 = 1,10
a2 = -0,92 ; a3 = 0,64
Nivel zero zi 0,032 1,0 15
a12 = 0,87 ; a32 = -1,21
Intervalul de variaţie
0,005 0,5 5
∆zi
122
Capitolul 3.
Tabelul 3.17
Nr. Program Variabila
exp x0
)
x1 x2 x3 yn yn
1 +1 -1 -1 -1 96,18 94,19
2 +1 +1 -1 -1 97,88 97,65
3 +1 -1 +1 -1 92,96 93,61
4 +1 +1 +1 -1 98,34 97,55
5 +1 -1 -1 +1 97,36 98,47
6 +1 +1 -1 +1 98,18 98,93
7 +1 -1 +1 +1 95,24 94,89
8 +1 +1 +1 +1
9 +1 -1,215 0 0 99,32 99,69
10 +1 +1,215 0 0 94,53 97,68
11 +1 0 -1,215 0 94,53 95,45
12 +1 0 +1,215 0 97,34 97,57
13 +1 0 0 -1,215 99,24 99,13
14 +1 0 0 +1,215 99,08 98,55
15 +1 0 0 0
1462,13
12,01 0,066
0,09 0
− 10,12
0,09
7,05
0,125
( )
X TY =
6,94
( T −
)
1
; X X = 0,125
− 2,10
0,125
1,70
0,229
− 1,56
− 5,09 0 0,229
0,229
− 1,74
Soluţiile vor fi:
ao’ = 97,47 ; a1 = 1,1 ; a2 = - 0,92 ; a3 = 0,64 ; a12 = 0,87 ; a13 = - 0,27 ; a23 = 0,22 ; a11 = -
0,4
a22 = - 1,21 ; a33 = - 0,44.
Semnificaţia coeficienţilor se verifică cu relaţia:
s
tai ; taij ; taii ≥ tT ; νo = 3 ; o2 = 0,485 ; tT = tT0,05(3) = 3,18
ta’o = 573,35
ta1 = 5,41 ; ta2 = 4,4 ; ta3 = 3,06
ta12 = 4,06 ; ta13 = 1,09 ; ta23 = 0,99
ta11 = 1,2 ; ta22 = 3,66 ; ta33 = 1,33
Coeficienţii semnificativi vor fi: a0’ , a1 , a2 , a12 şi a22 şi cum ta3 ≈ tT va fi inclus şi
termenul a3 .
Se obţine astfel următoarea ecuaţie:
)
(
y = 97,47 + 1,1 ⋅ x1 − 0,92 ⋅ x 2 + 0,64 ⋅ x 3 + 0,87 ⋅ x1 x 2 − 1,21 ⋅ x 22 − x 22 )
123
Capitolul 3.
sau:
)
y = 97,35 + 1,1 ⋅ x1 − 0,92 ⋅ x 2 + 0,64 ⋅ x 3 − 1,21 ⋅ x 22 şi x22 = 0,73
Verificarea concordanţei:
1 ) 2
N −l
s 2
con = ∑ (y n − y n ) = 1,79
unde: N = 15 , l = 6
s s
F = 2con / o2 = 1,79 / 0,485 = 3,69.
Pentru:
νo = N - l = 9 şi ν = 3, α = 0,05
rezultă din tabela Fischer . FT = 8,81.
Cum F < FT se consideră modelul drept adecvat şi regresia obţinută ca fiind capabilă să
îndeplinească condiţiile cerute de un proces de optimizare.
∑x
n =1
in = N ⋅ λ2 (i = 1,2,L, n)
(3.46a,b)
N N
∑x
n =1
4
in = 3∑ xin2 x 2jn = 3 N ⋅ λ4 (i ≠ j ; j = 1,2,L, n)
n =1
înmulţind cu n:
(∑ ρ ) nN
N n N
nS 2 = ∑ ∑ x in2 = ∑ ρ n2 = nλ 2 N ; λ 2 = 2
n ; şi nS 4 = ∑∑ x in4 ; (3.49)
1 1 n =1
n
cum ρ 2 = ∑ x i2 rezultă:
i =1
124
Capitolul 3.
(ρ ) = (∑ x ) = ∑ x + 2C x x
2 2 2 2
i
4
i
2
n
2
i
2
j
(3.50a,b)
ρ = (∑ x ) = ∑ x + n(n − 1) x x
4
i
2 2 4
i
2
i
2
j
Deci:
N N
nS4 = ∑ρ
n =1
4
n − n( n − 1) ∑x
n =1
2 2
in x jn (3.51)
Dar:
∑x 2
in x 2jn = S 4 3 = Nλ 4
N
nS 4 = ∑ ρ n4 − n(n − 1) S 4 3
n =1
N
3∑ ρ n4 = S 4 [3n + n(n − 1)] = n(n + 2 )S 4
n =1
N
S 4 = 3 ⋅ ∑ ρ n4 [n(n + 2)]
n =1
(3.52a,b,c,d)
Deci:
N
λ4 ∑ρ n =1
4
n
Nn
= ⋅ (3.53)
λ22 N 2
n+2
∑ ρ n2
n =1
sau pentru o sferă pe care sunt dispuse N puncte:
λ4 N 2 ρ 4 n n
= 2 4 ⋅ = (*)
λ2 N ρ n + 2 n + 2
2
Când relaţia (*) este îndeplinită, matricea informaţională devine degenerată şi sistemul
de ecuaţii nu va admite soluţii reale.
Pentru a depăşi aceste inconveniente se consideră un număr de s sfere şi N
w puncte
dispuse pe fiecare sferă. Se ajunge astfel la condiţiile:
N s
∑ρ
n =1
4
n = ∑ N w ρ w4
w=1
(3.54a,b)
N s
∑ρ
n =1
2
n = ∑ Nwρ
w=1
2
w
s
∑N w ρ w4
Nn
λ4 = w=1
⋅ (3.55)
s
2
n+2
∑ N w ρ w2
w=1
Nnρ α2 N 1 Nn n( N 0 + N 1 ) n
λ4 = = = > (3.56)
(n + 2)N 1 ρ α N 1 (n + 2) N1 (n + 2) n + 2
2 4
Tabelul 3.18
Nr. xo x1 x2 x1 x2 x1 2 x 22 y
exp
1 +1 +1 +1 +1 +1 +1 y1
2 +1 +1 -1 -1 +1 +1 y2
3 +1 -1 +1 -1 +1 +1 y3
4 +1 -1 -1 +1 +1 +1 y4
5 +1 +α 0 0 α2 0 y5
6 +1 -α 0 0 α2 0 y6
7 +1 0 +α 0 0 α2 y7
8 +1 0 -α 0 0 α2 y8
9 +1 0 0 0 0 0 y9
Din condiţia :
∑x 2
in = Nλ 2 ; i = 1,n (3.57)
Se obţine pentru:
N N
∑x
1
4
in = 3∑ x in2 x 2jn = 2 n + 2α 4 = 3 ⋅ 2 n
1
(3.58)
şi deci:
α=2
n/4
unde n - nr. parametrilor
e = N c + 2α 2
f = N c + 2α 4
[
H = 2α 4 Nf + (n − 1)NN c − n ⋅ e 2 ]
D = 2α H 4 −1
[ f + (n − 1)N c ]
E = −2 H −1eα 4
[
F = H −1 Nf + (n − 2 )NN c − (n − 1) ⋅ e 2 ]
G = H −1 2 − NN c (e )
(3.59a,bc,d,e,f,g)
atunci:
s 2
s ;s
ao = D 2
o
2
ai = e-1 s ;s 0
2 2
aij = Nc-1 s 2
o ; s
2
aii =F s
2
o (3.60a,b,c,d)
cov(a a ) = E s
2
o ii o (3.61)
cov(a a ) = G s
2
ii ij o (3.62)
s = s + sρ + s ρ
)
y
2 2
a0
2
ai
2 2
aii
4
+ 2 cov (a 0aii )ρ 2 (3.63)
s 2
G o = 0 ; G = 0, acest lucru conduce la condiţia ca e - NNc să fie zero, ceea ce
permite stabilirea numărului necesar de experienţe în centrul experimentului (No).
(
λ4 = n + 3 + 9n 2 + 14n − 7 ⋅ ) n(n1+ 2) (3.65)
N = e λ n / Nc
2
(3.66)
Datele necesare asigurării unor probleme uniform rotabile sunt prezentate în tabelul:
Tabelul 3.19 Parametrii programării uniform rotabile
n 2 3 4 5 6 7 8
λn 0,7844 0,8385 0,8704 0,8918 0,9070 0,9184 0,9274
N0 4,5504 5,5511 7,3344 10,2836 14,7 20,7908 28,4776
2 B = (XTX)-1(XTY)
N n N
a0 = D ∑
n =1
yn + E ∑∑ x
i =1 n =1
2
in y n
N
ai = e −1 ∑x
n =1
in y n
N
1
aij =
Nc ∑x
n =1
in x jn y n
n N
aii = (F − G ) ∑x 2
in y n +G ∑∑ x 2
in y n +E ∑y n
i =1 n =1
3 unde:
e = N c + 2α 2
f = N c + 2α 4
[
H = 2α 4 Nf + (n − 1)NN c − n ⋅ e 2 ]
D = 2α H 4 −1
[ f + (n − 1)N c ]
−1
E = −2 H eα 4
[
F = H −1 Nf + (n − 2 )NN c − (n − 1) ⋅ e 2 ]
G=H −1
(e 2
− NN c )
4 N0
s 2
=
1
∑ ( y 0 k − y 0 )2
N 0 − 1 k =1
0
6 sr 1 N
s 2
= = ∑ ( y n − y) n )
νr N − l n =1
r
l = (n + 2 )(n + 1) 2 ; ν r = N − l
s 2 N ) 2 1
= ∑ ( y n − y n ) − ∑ y 0 k − y 02 ( )
ν r −ν 0
con
n =1
F = s2con / s02 ; Fc = F0,05(νr - νo, νo)
Exemplul 3.3.
calculul sumelor:
∑y n = 1117,6 ∑x 1n y n = 27,44
∑x 2 n y n = 12,0 ∑x 1n x 2 n y n = −10,545 ; ∑x 2
1n y n + ∑ x 22n y n = 1383,8
∑x 1n y n = 707
2
∑x 2 n y n = 676,8
2
Se calculează:
e = N c + 2α 12 = 4 + 2 ⋅ 1,412 = 4,3102
f = N c + 2α 4 = 4 + 2 ⋅ 1,412 = 4,04811002
[ ]
H = 2α 4 Nf + (n − 1)NN c − n ⋅ e 2 = 2 ⋅ 0,24 ⋅ 86,047 ≅ 4,13
D = 2α 4
[ f + (n − 1)N c ]H −1
= 0,3863 ⋅ 4,13 −1
E = −0,1
F − G = 0,125
G = 0,0187
129
Capitolul 3.
Ecuaţia:
)
y = 85,14 + 3,43 x1 − 1,32 x 2 + 2,49 x12 + 3 x1 x 2 − 1,28 x 22
Analiza statistică:
1 N0
s 2
= ∑ ( y ok − y0 )2 = 6,134 = 1,533 ; ν0 = 4
N0 −1 1
0
4
Dispersia coeficienţilor:
s 2
a0 = 0,2 ⋅ 1,5333 = 0,31
s 2
a1 = 0,125 ⋅ 1,533 ≅ 0,192
s 2
a2 = 0,125 ⋅ 1,533 ≅ 0,192
s 2
a11 = s 2
a22 = 0,1437 ⋅ 1,533 = 0,22
s 2
a12 = 0,25 ⋅ 1,533 = 0,383
t 50 , 05 (ν 0 = 4 ) = 2,78
t a11 = 2,49 0,47 = 5,3
t a0 = 85,14 0,55 = 154,8
; t a22 = 1,28 0,47 = 2,7
t a1 = 3,43 0,44 = 7,8
t a12 = 3 0,62 = 4,8
t a2 = 1,32 0,44 = 3,0
s r = ∑ ( y i − yi ) = 10,29 ν r = N − l = 13 − 6 = 7
) 2
N0
s0 = ∑ ( yi − y 0 ) = 6,13 ν 0 = N 0 − l = 5 − 1 = 4
2
B1) Mărirea gradului ecuaţiei de regresie, deci obţinerea unei ecuaţii a regresiei de
gradul trei.
În literatura de specialitate, acest lucru este indicat cu rezerve de către cercetători,
deoarece chiar şi pentru ecuaţiile de ordinul doi există dificultăţi în interpretarea
modelului matematic. De regulă se încearcă utilizarea unor metode de măsurarea mai
precise şi mărire a preciziei calculelor, înaintea luării unei astfel de decizii.
131
Capitolul 3.
B2) Introducerea în program a unor noi parametrii ai procesului dintre cei eliminaţi în
faza de experiment preliminar ceea ce conduce la mărirea numărului de determinări.
Coordonatele optimului vor constitui punctul de plecare în faza de trecere de la
instalaţiile de laborator, la cea de proiectare a instalaţiilor industriale sau a staţiilor pilot.
132
Capitolul 4.
Capitolul 4.
m m
P( x ) = ∑∑ cij ⋅ xi ⋅ x j + ∑ ci ⋅ xi + c0 (4.1)
i =1 j =1
unde:
x = (x1,…,xn)T, (4,2)
cij = cji. (4.3)
Trebuie specificat că în cazul în care cij <> cji prin efectuarea transformării:
m m m m
∑∑d
i =1 j =1
ij ⋅ xi ⋅ x j = ∑∑ cij ⋅ xi ⋅ x j ;d ij = d ji
i =1 j =1
(4.5)
m m
K ( X ) = ∑∑ cij ⋅ xi ⋅ x j (4.6)
i =1 j =1
n+ + n- ≤ n (4.7)
m m m
min P( x ) = ∑ ∑ c ij ⋅ x i ⋅ x j + ∑ c i ⋅ x i (4.8)
i =1 j =1 i =1
cu restricţiile:
k m
∑∑ a ij ⋅ x j ≥ bi ; i ∈ {1 ... k }
i =1 j =1
x j ≥ 0 ; j ∈ {1 ... m}
Figure 4.1a). Interpretarea geometrică a unei funcţii Figure 4.1b Interpretarea geometrică a minim-
pătratice pozitiv definite. Soluţia problemei este punctul izării unei relaţii pătratice pozitiv semidefinite.
S
X
134
Capitolul 4.
(
X o = X i − C −1 ⋅ AT A ⋅ C −1 ⋅ AT ) ⋅ (A ⋅ X
−1 i
−B ) (4.9a,b)
(
U o = A ⋅ C −1 ⋅ A ) ⋅ (A ⋅ X
T −1 i
− B)
unde:
X i = −C −1 ⋅ c
c = ci ; i ∈ {1, ... , n}
(4.10a,b)
m m
∑∑ cij ⋅ xi ⋅ x j
i =1 j =1 m
min + ∑ ci ⋅ x i
2 i =1
(4.11)
m
∑a
j =1
ij ⋅ x j = bi ; i ∈ S
va fi obţinută cu relaţia:
(
X S = X ' − C −1 ⋅ AS AS ⋅ C −1 ⋅ AST ) (A
−1
S ⋅ X ' − BS )
(
U S = AS ⋅ C −1 ⋅ A S ) (A
T −1
S ⋅X' −B )
S
(4.12a,b)
Soluţiile XS sunt posibile dacă rangul matricii AS este egal cu numărul de ecuaţii aflate în
vectorul S. Dacă se notează cu V(XS) mulţimea restricţiilor care nu sunt cuprinse în S şi
deci nu sunt verificate de XS:
m
V( X S ) = i| ∑ a ij ⋅ x Sj > bi ,1 ≤ i ≤ n (4.13)
j =1
AS~ ⋅ X S − BS~ = ( AS~ ⋅ X ' − BS~ ) − ( AS~ ⋅ C −1 ⋅ AST )( AS ⋅ C −1 ⋅ AST ) −1 ( AS ⋅ X ' − BS ) (4.14)
în care
S = {1, ... , n} \ S
~
(4.15)
135
Capitolul 4.
indicii pentru care condiţia este pozitivă vor fi incluşi în vectorul V(XS). În această expresie
S -1 T
nu intervine explicit X ci numai X’. Matricea AC A poate fi exprimată sub forma:
AS AS ⋅ C −1 ⋅ AST AS ⋅ C −1 AST~
A ⋅ C A = ⋅ C −1 ⋅ AST
−1 T
( AT
~ ) = −1
S S~ ⋅ C −1 ⋅ AST~
(4.16)
AS~ ⋅ C ⋅ AS
S T
AS~
4.1.3. Minimizarea unei funcţii pătratice pozitiv definite având restricţii inegalităţi.
m m
∑∑ cij ⋅ xi ⋅ x j
i =1 j =1
m
min + ∑ ci ⋅ x i
2 i =1
(4.17a,b)
m
∑a
j =1
ij ⋅ x j ≤ bi ; i ∈ S
X o = −C −1 ⋅ c~ (4.18)
~ m
S = i , 1 ≤ i ≤ n: ∑a ij ⋅ x oj ≤ bi (4.19)
j =1
care sunt satisfăcute pentru optim cu semnul egal, urmată de rezolvarea problemei cu
restricţii egalitate:
136
Capitolul 4.
min P( x )
m
~ (4.20)
∑a
j =1
ij ⋅ x j = bi ;i ∈ S
Dacă V( X o
)
≠ 0 atunci S1 conţine cel puţin un indice al unei restricţii
Pasul 2. Pentru fiecare S1 = { i1 } ,i1 ∈ V( X o
)
se calculează X S şi V( X ) .
1
S1
S2
Dacă există S1 astfel ca V( X S1
)
= 0 atunci se verifică dacă X este soluţie.
X este soluţie optimă dacă şi numai dacă i ∈V( X
S
S−{i}
)
pentru orice i S
S1
Dacă nici un X nu este soluţie optimă atunci se notează cu S1 familia de
mulţimi:
S1 = { S1 ∈ {1,2,…,n} : V( X ) 0} S1
2
Pentru toţi S din această categorie se verifică dacă X S2
şi V( X S2
)
.
S2
Pentru toţi X determinaţi astfel se verifică dacă îndeplinesc condiţia de
impusă asupra soluţie ( V( X ) = 0) S2
Dacă nici unul dintre aceşti vectori nu este soluţie atunci se generează
noua familie de mulţimi ale indicilor restricţiilor S2 :
S2 = { S2∈{1,2,…,n } : V( X S2 ) ≠ 0 }
verificarea mulţimilor alcătuite din trei indici ş.a.m.d.
x12 + x 22 + 2 ⋅ x32
min P( x ) = − 2 ⋅ x1 + x 2
2
cu restricţiile:
x1 + x 2 − x3 = 3
x1 + x 2 + x 3 = 7
137
Capitolul 4.
x − 2 = 0
∂P( x )
1
= 0;1 ≤ j ≤ 3 ; ⇒ x 2 + 1 = 0
∂x j
2 ⋅ x3 = 0
2 − 1 − 0 ≠ 3
2 − 1 + 0 ≠ 7
2
1 1 − 1 o 3
A = ; X = 1 ; B =
1 1 1 0 7
2
1 1 − 1 3 1 3 − 2
A ⋅ X − B =
o
⋅ − 1 − = − =
1 1 1 0 7 1 7 − 6
1 0 0 1 0 0
C = 0 1 0 ; C −1 = 0 1 0
1
0 0 2 0 0
2
Se calculează C-1⋅AT
1 0 0 1 1 1 1
−1
C ⋅ A = 0 1 0 1 1 = 1
T
1
0 0 1 2 − 1 1 − 0,5 0,5
Se calculează A⋅C-1⋅ΑΤ.
138
Capitolul 4.
1 1 5 3
− 1 5 − 3
A ⋅ C −1 ⋅ AT =
1 1 1
⋅ 1 1 =2 (
2 ;⇒ A ⋅ C −1 ⋅ AT )−1
=
8 − 3 5
1 1 1 − 1 2 1 2 3 5
2 2
Se obţine astfel:
1 1
2 4
1 5 − 3 − 2
X = − 1 − 1
S
1 ⋅ ⋅ = 1
1 − 3 5 − 6
0 8 −1
2
2 2
1 11
min P( x ) = (16 + 1 + 2 ⋅ 4) − 2 ⋅ 4 + 1 =
2 2
min P( x ) =
2
(
1 2
)
x1 + 5 ⋅ x 22 + 2 ⋅ x32 + 4 ⋅ x1 ⋅ x 2 − 2 ⋅ x1 ⋅ x 3 − 4 ⋅ x 2 ⋅ x3 − x1 + 3 ⋅ x 2 + 4 ⋅ x 3
cu restricţiile:
− x1 ≤ 0
− x 2 ≤ −1
2 ⋅ x1 + 3 ⋅ x 2 − x3 ≤ 2
x + x + 2⋅ x ≤ 4
1 2 3
x1 − 2 ⋅ x 2 + x3 ≤ 6
− 1 1 2 −1 6 2 1
c~ = 3 ; C = 2 −
5 − 2;C = − 2 1 0;
1
4 −1 − 2 2 1 0 1
8
X = − 5 ;V( X o ) = (2 3 5)
o
− 3
139
Capitolul 4.
6 − 2 − 5 − 6 − 11 − 8
− 6 2 5 6 11 −2 1 1 1 4 6
C A = 2 − 1 − 1 − 1 − 4 ; AC A = − 5 1
−1 T −1 T
6 6 8 ; AX − B = 2
o
−1 0 1 3 2 − 6 1 6 11 11 − 7
−
11 4 8 11 21 9
− 4 19 / 3 23 / 7
{2} {3} {5}
X = 1 ; X = − 14 / 3 ; X = − 23 / 7
− 3 − 10 / 3 − 23 / 7
Se calculează în continuare:
Pasul 3. Se calculează:
V( x{1, 2}
)
= {3};V( x{2 , 3}
)
= {1};V( x{2 , 5}
)
= {3, 4};V( x{3, 5}
)
= {2}.
Deoarece nici unul dintre punctele obţinute nu aparţine domeniului variabilelor sau
frontierei acestuia se trece la următorul pas, prin verificarea unui ansamblu de trei
variabile.
Pasul 4. Deoarece:
V( x{1 2 3}
)
=0
0
{1, 2, 3}
X = 1
1
Cum aceasta verifică toate condiţiile impuse, aceasta este şi soluţie optimă.
Minimul problemei va fi deci:
140
Capitolul 4.
minP(x) = 17/ 2
Este un algoritm de optimizare puternic orientat spre calculul numeric deci spre
utilizarea calculatoarelor electronice. Acest algoritm ia în considerare şi termenii de
ordinul doi ai dezvoltării în serie Taylor ai funcţiei obiectiv:
1
P( x ) = P( xk ) + ∇P( x k ) ( x − x k ) + ( x − x k ) T ∇ 2 P( xk ) ( x − x k ) (4.21)
2
H (−x1k ) ∇P( xk )
x k +1 = x k − λ k (4.22)
H (−x1k ) ∇P( xk )
iar λk reprezintă pasul deplasării din punctul k în punctul k+1. De regulă în cazul
algoritmului Newton-Rapson se alege:
Convergenţa metodei este asigurată dacă matricea Hessiană este pozitiv definită. Dacă
funcţia P(x) este patratică, atunci soluţia problemei rezultă în urma unei singure iteraţii.
Algoritmul de rezolvare, se bazează, în cazul general, pe introducerea unor valori iniţiale
pentru vectorul soluţiei, urmând apoi să se determine direcţia de deplasare spre soluţia
optimă, noul vector care apropie de optim problema, noua direcţie de deplasare spre
optim, ş.a.m.d. Fiind un proces iterativ, algoritmul trebuie oprit în momentul în care
diferenţa dintre două valori succesive ale funcţiei ce se optimizează devine
nesemnificativă.
x1 = 52 ; x2 = 62 ; x3 = 53 ; x4 = 61 ; x5 = 42
Funcţia fiind pătratică se poate calcula expresia matricii hessiene în mod analitic:
∂P
∂x = a1 + 2a11 x1 + a12 x 2 + a13 x3 + a14 x 4 + a15 x5
1
∂P = a + 2a x + a x + a x + a x + a x
∂x 2 2 22 2 21 1 23 3 24 4 25 5
∂P
= a3 + 2a33 x3 + a13 x1 + a 23 x2 + a34 x4 + a35 x5
∂x 3
∂P = a + 2a x + a x + a x + a x + a x
∂x 4 44 4 14 1 24 2 34 3 45 5
∂P 4
şi soluţiile problemei:
5,2 ⋅ 10 −10
− 2,1 ⋅ 10 − 7
∇P = − 1,13 ⋅ 10 −8
− 1,13 ⋅ 10 −8
−9
3,07 ⋅ 10
Aceleaşi soluţii se obţin şi în cazul în care sunt folosite alte valori iniţiale deoarece
matricea H este constantă. Această proprietate conferă algoritmului şi viteza deosebită
deoarece sunt necesare un număr minim de iteraţii pentru determinarea optimului. În
cazul funcţiilor patratice fiind suficientă o singură iteraţie.
Este metoda de la care au fost dezvoltate o mare parte dintre algoritmii destinaţi
optimizării problemelor neliniare convexe (inclusiv algoritmul Newton-Raphson).
Metoda se bazează pe faptul că direcţia celei mai rapide creşteri sau descreşteri
pentru o funcţie este dată de direcţia gradientului. Astfel dacă se doreşte determinarea
direcţiei pe care o funcţie f prezintă cea mai mare creştere (descreştere), faţă de
o
valoarea acesteia într-un punct X , acest lucru înseamnă maximizarea derivatei după
direcţia R în punctul Xo:
m ∂f ( X
max ∑
o
⋅ rj
)
j =1 ∂x j (4.25)
r12 + r22 + ... + rn2 = 1
ultima condiţie indicând faptul că vectorul R are lungime unitară, deci este versor.
Prin introducerea multiplicatorului lagrange se obţine lagrangeanul:
m ∂f ( X m
Φ ( R ,λ ) = ∑ ⋅ r j + λ 1 − ∑ r j
o
)
(4.26)
j =1 ∂x j j =1
∂Φ ∂f ( X )
− 2λr j = 0; j ∈ [1, ... , m]
o
=
∂r j ∂x j
(4.27)
∂Φ m
= 1 − ∑ r j2
∂λ j =1
∂f ( X o
)
∂f ( X )
2
1 m ∂x j
∑ ; rj = ±
o
λ=± (4.26)
2 ∂x j ∂f ( X )
2
j =1 m
∑
o
j =1 ∂x j
∇f ( X o ) = 0 (4.27)
cu restricţiile:
∑a
j =1
ij x j ≤ bi ; i ≤ 1 ≤ n1
∑a
j =1
ij x j = bi ; n1 + 1 ≤ i ≤ n (4.29)
x j ≥ 0 ;1 ≤ j ≤ m
în care funcţia f este concavă, iar Xo o soluţie iniţială care verifică restricţiile impuse.
Dacă ∇f ( X ) = 0, atunci Xo este chiar soluţia optimă a problemei.
o
X1 = Xo + λ⋅R (4.30)
unde, R este un versor iar λ un scalar. Soluţia iniţială va verifica o parte a condiţiilor de
tip mai mic sau egal cu semnul egal. Se notează:
{
J 0 = j|x 0j = 0;1 ≤ j ≤ m }
m (4.31)
I 0 = i|∑ a ij x 0j = bi ;1 ≤ i ≤ n1
j =1
Pentru ca noul punct să poată fi admis, acesta va trebuii ca pentru orice j∈J0 şi i∈I0 să
verifice condiţiile:
x 0j + λr j ≥ 0; j ∈ J 0 rj ≥ 0; j ∈ J 0
sau (4.32a,b)
∑a ij x 0j + λ ∑ a ij r j ≤ bi ;i ∈ I 0 ∑a r ≤ 0;i ∈ I0
ij j
∑a r ij j = 0 ; n1 + 1 ≤ i ≤ n (4.33)
m m
λ ∑ a ij r j ≤ bi − ∑ a ij x 0j ;1 ≤ i ≤ n ; i ∉ I 0 (4.34)
j =1 j =1
x 0j
min j (− ) ; j ∉ J 0 ;r j < 0
α = rj
∞ ∃ j : r < 0, j ∉ J
j 0
m
bi − ∑ aij x 0j m
∑
j =1
min i ;1 ≤ i ≤ n ; i ∉ I ; aij r j > 0
m 1 0
β = ∑ aij r j j =1
(4.35a,b)
j =1
m
şi:
∑a
j =1
ij jr ≤ 0;i ∈ I0
∑a
j =1
ij jr = 0 ; n1 + 1 ≤ i ≤ n
(4.37)
m
∑r
j =1
2
j ≤1
r j ≥ 0; j ∈ J 0
Astfel un vector R care satisface condiţiile de mai sus şi un 0<λ<γ conduc la
determinarea noului punct X1 pentru care funcţia are creşterea sau descreşterea
maximă.
În urma determinării direcţiei R, în cazul în care se doreşte obţinerea acelei valori a lui
λ astfel încât f(Xo + λ⋅R) să fie maximă. Acest lucru conduce la determinarea maximului
funcţie de o singură variabilă λ, fie acest maxim λ1, astfel încât noul punct va fi Xo = X1 +
λ1⋅R.
max[− x12 − x 22 + 4 x1 + 4 x 2 ];
x1 + x 2 ≤ 3; x1 ≤ 2; x 2 ≤ 1
x1 ≥ 0; x 2 ≥ 0
Problema constă în maximizarea unei funcţii neliniare concave (ecuaţie pătratică negativ
definită) şi restricţii liniare. Se porneşte de la soluţia banală Xo = { 0 , 0 }T şi se aplică
algoritmul Zoutendijk.
este:
Deoarece ∇f ( X o ) ≠ 0 rezultă faptul că f(X ) nu este soluţie a problemei. Va trebui deci să
o
2
{ }
J 0 = j:x 0j = 0 = {1, 2}; I 0 = i:∑ a ij x j = bi = 0
j =1
max[4 ⋅ r1 + 4 ⋅ r2 ]
r12 + r22 ≤ 1;r1 ≥ 0;r2 ≥ 0
2
r1 2
R = =
r2 2
2
0 2 2
X 1 = X 0 + λ ⋅ R = + λ ⋅
0 2 2
∂f
= −2λ + 4 2 = 0;λ ' = 2 2
∂λ
0 2 2 1
X 1 = + 2 ⋅ =
1
0 2 2
2 0
∇f ( X 1 ) = >
2 0
{ }
J 1 = j:x 1j = 0 = 0; I 1 = i;∑ a ij x 1j = bi = {3}
max[2r1 + 2r2 ]
r12 + r22 ≤ 1;r1 ≥ 0;r2 ≥ 0
2
Rezultă r1 = 1 şi r2 = 0. Se trece la noul punct X .
1 1
X 2 = X 1 + λ ⋅ R = + λ
1 0
∂f
= −2(1 + λ ) + 4 = 0; λ ' = 1
∂λ
1 1 2
X 2 = + 1 ⋅ =
1 0 1
0
{ }
∇f ( X 2 ) = > 0; J 2 = j:x 2j = 0 = 0; I 2 = {1,2,3}.
2
max[2 ⋅ r2 ]
r1 + r2 ≤ 0;r12 + r22 ≤ 1;r1 ≤ 0;r2 ≤ 0
2 − 1
X 3 = X 2 + λ ⋅ R = + λ ⋅
1 0
Cum nu mai este posibilă nici o creştere, maximul căutat va fi f(2,1) = 7 şi x1=2, x2=1.
148
Capitolul 4.
148
Capitolul 5.
Capitolul 5
Fiind dată o funcţie f sau un sistem de funcţii fi care depind de una sau mai multe
variabile independente, se cere determinarea valorilor acestor variabile astfel încăt
pentru domeniul de definiţie stabilit funcţia f sau funcţiile sistemului să atingă
valoarea maximă sau minimă.
Un extrem, fie el maxim sau minim, poate fi global, (valoarea cea mai mare sau mai mica
pe care funcţia o ia pe intervalul analizat) sau local, (valoarea extrema pentru un
subinterval al intervalului analizat). Din punctul de vedere al aplicaţiei la problemele de
optimizare a tehnologiei de sudare, abordarea acestei probleme se face utilizănd tehnici
de calcul numerice. Acest lucru se datoreză complexităţii fenomenului analizat. Din
această cauză ne vom restrînge asupra metodelor de optimizare bazate pe analiza
numerică.
Figura 5.1. Extremele unei funcţii pe un interval. A,C,E maxime locale, B,F minime locale.
Maxim general G minim general D. În punctul E, derivata de ordinul 2 se anulează ceea ce
generează dificultăţi agoritmilor uzuali. Punctele X,Y şi Z sunt utilizate ca puncte ajutătoare
pentru determinarea minimului local F.
149
Capitolul 5.
Deoarece în practică sunt utilizate mai multe tipuri de algoritmi, alegerea algoritmului
dorit se poate face pe baza urmatoarelor consideraţii:
Trebuie făcută alegerea între metodee care necesită doar un proce simplu de
calcul a funcţiei şi metode care necesită şi calculul derivatelor acesteia. Algoritmii
bazaţi şi pe determinarea derivatelor sunt de regulă mai puternici dar de multe ori
nu este necesară o cantitate atât de mare de calcule şi timpul de calcul nu se
justifică. Sunt cazuri care favorizează algoritmii bazaţi pe calculul derivatelor şi
cazuri care nu favorizează acest tip de algoritmi. Dar, dacă se cunoaşte funcţia şi
se pot calcula derivatele acesteia, atunci, de regulă se adoptă metode de tip
gradient.
Pentru funcţii ce depind de un singur parametru şi care se optimizează fără să se
calculeze derivatele acestora, sunt date metodele 5.1 şi 5.2. Dacă derivata de
ordinul 1 a funcţiei are o discontinuitate în domeniul ce se optimizează atunci se
preferă metoda 5.1 altfel de preferat este metoda 5.2.
Trebuie avut în vedere că în cazul metodelor ce necesită calculul derivatelor
spaţiul de memorie alocat este N2 faţă de cele care nu necesită calculul derivatelor,
caz în care acesta este doar N. (N fiind numrul de variabile independente).
Dacă este posibil se recomandă utilizarea algoritmului simplexurilor, ca fiind o
metodă de optimizare foarte puţin pretenţioasă şi uşor de implementat.
Dacă se doreşte un calcul foarte precis pentru funcţii cu mai multe variabile
independente, atuci algoritmii de tip gradient sunt cei mai utilizaţi. Aceaşti algoritmi
pot fi grupaţi în două famili:
Metodele bazate pe gradienţi conjugaţi, dintre care cel mai evoluat
este Polak-Ribier. Aceşti algoritmi necesită doar un număr mic de
stocări, necestă calculul derivatelor ca şi o minimizare pentru una
dintre variabilele independente.
Metodele de tip Fletcher-Powell care necesită un spaţiu de stocare
mai mare, calculul derivatelor şi minimizarea pentru o variabilă
independentă.
f ′′(b )
f ( x ) ≈ f (b ) + ⋅ ( x − b) 2 (5.1)
2
150
Capitolul 5.
Deci:
2 f (b)
x −b < b ε (5.2)
b ⋅ f ′′(b)
2
Impunerea acestei condiţii asupra poziţiei variabilei pentru care se caută minimul funcţiei
conduce la limitarea numărului de iteraţii la minimul necesar şi de asemenea la utilizarea
unei valori rezonabile pentru ε.
Atunci cînd sunt cunoscute punctele (a,b,c) rămâne de stabilit modul de alegere a
poziţiei punctului x.
Pentru aceasta se urmăreşte obţinerea unei ponderi w, de forma:
b−a c −b
w= în acest mod 1 − w = (5.3)
c−a c−a
x −b
z= (5.4)
c−a
şi pentru a asigura poziţia punctului x indiferent de poziţia acestuia faţă de b, ( x < b sau
x > b) se consideră ponderea acestuia:
z = 1 – 2w (5.5)
z
w= (5.6)
1− w
w2 − 3 ⋅ w + 1 = 0 (5.7)
Cu soluţia:
w ≅ 0.38197...
Deci atunci cînd se introduce punctul ce divide intervalul în care se caută soluţia, b,
poziţia sa faţă de punctul a are ponderea 0,38197 iar faţă de punctul c va avea ponderea
1-0,38197.
Algoritmul propus va testa deci valoarea fucţiei f la 0.38197 din distanţa dintre
puncte b şi a (punctul x1) şi valoarea funcţiei f la 0,61803 din distanţa dintre
punctele b şi c (punctul x2). Dacă valoarea funcţiei în aceste punce este mai mică
decât valoarea acesteia în a respectiv b, ( f(a) < f(x1) şi f(b) < f(x2) ) atunci
151
Capitolul 5.
Mai rămâne de determinat şi poziţia iniţială a punctelor (a,b,c) astfel încît acestea să
mărginească minimul funcţiei. Această determinare poate fi făcută manual sau utilizând o
funcţie special creată.
Figura 5.2. Modul de căutare a minimului funcţiei cu metoda secţiunii de aur. În faza iniţială
minimul este încadrat de punctele (1,3,2). Urmează evaluarea funcţiei în punctul 4 ceea ce
conduce la înlocuirea punctului 2 cu punctul 4, deoarece f(4) < f(2) şi determinarea noilor puncte
de încadrare (1,3,4). Apoi se verifică funcţia în punctul 5 ceea ce conduce la înlocuirea punctului 1
cu punctul 5, deoarece f(5) < f(1) şi se ajunge la încadrarea minimului între punctele (5,3,4). Se
verifică apoi funcţia în punctul 6 şi deoarece f(6) < f(4) noua sucesiune de puncte de încadrare va
fi (5,3,6). Se continuă până când se determină minimul.
În acest scop a fost creată funcţia abcDetermin care are următorul cod în C..
#include <math.h>
#include “util.h”
// Definiţii de variabile şi funcţii
#define GOLD 1.618034
//Rata de creştere a intervalelor succesive
#define GLIMIT 100.0
152
Capitolul 5.
void abcDetermin(float *ax, float *bx, float *cx, float *fa, float *fb, float
*fc, float functieMin(float))
{
/*
DATE de INTRARE.
ax, bx ca fiind marginile intervalului de definiţie a funcţiei
functieMin(float x) funcţia ce se doreşte optimizată
DATE CALCULATE
ax,bx,cx marginile care cuprind valoarea minimului. Utilizate în funcţia
de optimizare.
fx,fy,fz valoarea funcţiei în aceste puncte.
*/
float ulim,u,r,q,fu,dum;
*fa=functieMin(*ax);
*fb=functieMin(*bx);
// Se determină c
*cx=(*bx)+GOLD*(*bx-*ax);
*fc=functieMin(*cx);
r=(*bx-*ax)*(*fb-*fc);
q=(*bx-*cx)*(*fb-*fa);
u=(*bx)-((*bx-*cx)*q-(*bx-*ax)*r)/
(2.0*SIGN(FMAX(fabs(q-r),TINY),q-r));
ulim=(*bx)+GLIMIT*(*cx-*bx);
return;
} else if (fu > *fb) {
*cx=u;
*fc=fu;
return;
}
u=(*cx)+GOLD*(*cx-*bx);
fu=functieMin(u);
u=(*cx)+GOLD*(*cx-*bx);
fu= functieMin(u);
SHFT(*ax,*bx,*cx,u)
SHFT(*fa,*fb,*fc,fu)
}
}
#include <math.h>
#define R 0.61803399
#define C (1.0-R)
#define SHFT2(a,b,c) (a)=(b);(b)=(c);
#define SHFT3(a,b,c,d) (a)=(b);(b)=(c);(c)=(d);
float minGolden(float ax,float bx,float cx, float functieMin(float), float tol, float *xmin)
{
/*
INTRARE:
ax,bx,cx datele intervalului (a,b,c)
functieMin Expresia functiei a cărui minim este căutat
CALCUL:
154
Capitolul 5.
x0=ax;x3=cx;
f1=functieMin(x1);
f2=functieMin(x2);
SHFT3(x0,x1,x2,R*x1+C*x3)
SHFT2(f1,f2,functieMin(x2))
} else {
SHFT3(x3,x2,x1,R*x2+C*x0)
SHFT2(f2,f1,functieMin(x1))
}
} // Sfârşit WHILE
1 (b − a ) [ f (b ) − f (c )] − (b − c ) [ f (b ) − f (a )]
2 2
x =b− (5.8)
2 (b − a )[ f (b ) − f (c )] − (b − c )[ f (b ) − f (a )]
Această relaţie nu are sens doar în cazul în care punctele sunt coliniare, caz în care
numitorul se anulează şi punctul în care “parabola” are valoare minimă devine infinit. Din
păcate doar utilizarea acestei relaţii la determinarea minimului şi a poziţiei acestuia nu
conduce la rezultatele aşteptate. Din această cauză se caută o combinare între metoda
secţiunii de aur, în care nu se analizează decât poziţia absciselor punctelor care
încadrează minimul, pentru a se micşora domeniul de încadrare şi atunci când s-a atins
un domeniu suficient de mic se utilizează interpolarea pătratică inversă (relaţia 5.8)
pentru a se deremina valoarea abscisei minimului (x).
Din păcate acest mod de abordare nu s-a dovedit eficient deoarece este necesară
calcularea şi menţinerea în memorie a valorilor funcţiei de interpolare pătratice pentru
mai mulţi paşi de aproximare succesivi. De asemenea este dificilă determinarea
momentului în care s-a atins optimul şi se poate ajunge la influenţa unor erori de rotunjire
foarte apropiate de valoarea reală a minimului căutat. Un alt inconvenient major constă în
stabilirea momentului de trecere de la metoda secţiunii de aur la metoda interpolării
parabolice.
Evitarea acestor neajunsuri a fost făcută de Brent [1] prin memorarea pentru fiecare pas
al procesului iterativ a 6 valori ale punctelor funcţiei, a,b,u,v,w şi x.
În această metodă, a şi b sunt limitele domeniului în care se determină minimul,
x este abscisa celei mai mici valori determinate pentru funcţia f în intervalul (a,b)
w este abscisa următoarei valori minime, mai mare decât valoarea funcţiei în x
v este valoarea anterioară a lui w,
u este abscisa curentă a funcţiei f.
Mai este utilizat şi mijlocul segmentului ab notat cu xm cu toate că funcţia nu este
evaluată în acest punct.
Interpolarea parabolică se face pentru punctele, x,v şi w şi pentru ca pasul să fie
acceptat trebuie ca:
a) punctele să fie în intervalul (a,b)
b) să existe o deplasare de la cea mai mică valoare găsită până în acest moment
(la abscisa x) şi această deplasare să fie mai mică decât jumătatea pasului
precedent.
156
Capitolul 5.
// Declaraţii în antet
# include <math.h>
# include “util.h”
# define ITMAX 100
# define CGOLD 0.38109660
#define EPS 1.0e-10
float brent(float ax, float bx, float cx, float functieMin(float, float tol,
float *xmin)
{
int iter;
float a,b,d,etemp,fu,fv,fw,fx,p,q,r,tol1,tol2,u,v,w,x,xm;
float e=0.0;
// Ciclul principal
for (iter=1;iter<=ITMAX;iter++) {
xm=0.5*(a+b);
tol2=2.0*(tol1=tol*fabs(x)+ZEPS);
// Testarea terminării
q=(x-v)*(fx-fw);
p=(x-v)*q-(x-w)*r;
q=2.0*(q-r);
if (q > 0.0) p = -p;
q=fabs(q);
etemp=e;
e=d;
if (fabs(p) >= fabs(0.5*q*etemp) || p <= q*(a-x) || p >= q*(b-x))
d=CGOLD*(e=(x >= xm ? a-x : b-x));
else {
// Pasul parabolic
d=p/q;
u=x+d;
if (u-a < tol2 || b-u < tol2)
d=SIGN(tol1,xm-x);
}
} else {
d=CGOLD*(e=(x >= xm ? a-x : b-x));
}
u=(fabs(d) >= tol1 ? x+d : x+SIGN(tol1,d));
fu=functieMin(u);
#include <math.h>
#include "util_s.h"
#define ITMAX 100
#define ZEPS 1.0e-10
#define MOV3(a,b,c, d,e,f) (a)=(d);(b)=(e);(c)=(f);
/*
INTRĂRI:
functieMin(float) -Funcţia al cărui minim este căutat
derivFunc(float) -Derivata I-a a funcţiei functieMin
// Date de calcul:
// Indicatoare privind stadiul de calcul şi calea prin algoritm
int iter,ok1,ok2;
float a,b,d,d1,d2,du,dv,dw,dx,e=0.0;
160
Capitolul 5.
float fu,fv,fw,fx,olde,tol1,tol2,u,u1,u2,v,w,x,xm;
for (iter=1;iter<=ITMAX;iter++) {
xm=0.5*(a+b);
tol1=tol*fabs(x)+ZEPS;
tol2=2.0*tol1;
if (fabs(x-xm) <= (tol2-0.5*(b-a))) {
*xmin=x;
return fx;
}
u1=x+d1;
u2=x+d2;
ok1 = (a-u1)*(u1-b) > 0.0 && dx*d1 <= 0.0;
ok2 = (a-u2)*(u2-b) > 0.0 && dx*d2 <= 0.0;
olde=e;
e=d;
if (ok1 || ok2) {
if (ok1 && ok2)
d=(fabs(d1) < fabs(d2) ? d1 : d2);
else if (ok1)
d=d1;
else
d=d2;
if (fabs(d) <= fabs(0.5*olde)) {
u=x+d;
if (u-a < tol2 || b-u < tol2)
d=SIGN(tol1,xm-x);
} else {
d=0.5*(e=(dx >= 0.0 ? a-x : b-x));
fu=functieMin(u);
Metoda a fost publicată de Nelder şi Mead [4.1] şi nu necesită decât evaluarea funcţiei ce
va fi optimizate fără să fie necesare şi determinările derivatelor acesteia. Metoda se
foloseşte doar pentru optimizarea funcţiilor care depind de mai mulţi parametri şi nu este
foarte eficientă prin prisma valorii optime determinate ca şi a poziţiei acesteia. Marele
avantaj al acestei metode constă însă în simplitatea sa şi în faptul că poate fi utilizată
împreună cu metode mult mai precise pentru a determina valoarea şi poziţia optimului
căutat. Se asigură astfel delimitarea zonei sau zonelor în care se găsesc extremele
funcţiei ca şi a mărimilor necesare pentru ca în aceste zone să se poată aplica metode
de tip gradient pentru stabilrea soluţiilor dorite ca şi valorile parametrilor independenţi
dacă este nevoie.
De asemenea metoda permite o vizualizare geometrică fără mari probleme ceea ce face
o face uşor de înţeles şi mai ales uşor de aplicat la probleme de complexitate mare.
Un simplex este o figură geometrică care într-un spaţiu cu N dimensiuni constă într-un
număr de N+1 puncte unite prin segmente de dreaptă în aşa manieră încât să se
genereze feţe poligonale. Astfel în 2D simplexul este un triunghi, în 3D un tetraedru, etc.,
nu este necesar ca aceste figuri să fie şi regulate. În cazurile cele mai simple de
implementare aceste simplexuri sunt regulate, deci triunghi echilateral, tetraedru regulat,
etc. Singura restricţie care se pune acestor simplexuri este aceea de a nu fi degenerate,
deci de a nu avea puncte suprapuse. În plan triunghiul să nu degenereze în dreaptă, etc.
Algoritmul va porni dintr-o soluţie iniţială introdusă de programator, ceea ce d.p.d.v.
geometric reprezintă un vector N-dimensional care constă din valorile de pornire pentru
variabilele independente. Caz întâlnit frecvent la majoritatea metodelor de optimizare.
162
Capitolul 5.
Având cunoscut acest prim punct algoritmul va căuta singur minimul indiferent de
complexitatea pe care o poate avea o funcţie în spaţiul cu N dimensiuni. Atunci când a
fost întâlnit un punct de minim (chiar şi local) acesta se opreşte şi soluţia este salvată.
Metoda poate fi iniţiată şi prin utilizarea mai multor puncte, N+1 puncte, deci primul
simplex. Dacă se porneşte de la un singur punct, P0, atunci celelalte puncte ale
simplexului se pot determina utilizând relaţia:
Pi = P0 + λi ⋅ ei i = 1,…,N (5.9)
unde λi este o constantă ce înmulţeşte versorul direcţiei ei. Astfel λi reprezintă scările
pentru fiecare direcţie care sunt utilizate la realizarea simplexului. Există programe care
utilizează de regulă o singură scară.
În urma definirii simplexului algoritmul constă într-o serie de paşi, majoritatea dintre
aceştia constau în mutarea punctelor simplexului din zonele în care valoarile funcţiei sunt
mari către zonele în care valorile funcţiei sunt mai mici. Aceşti paşi sunt paşi de “reflecţie”
sau simplu “reflecţii” şi au caracteristica de a respecta condiţia ca noul simplex să-şi
păstreze volumul constant în zonele în care nu sunt extreme. Mai mult, unii algoritmi
permit chiar o mărire a volumului simplexului, (λi + δλ λi) ceea ce conduce la reducerea
numărului total de simplexuri şi parcurgerea mai rapidă a zonelor lipsite de interes.
Simplexul de bază
a) Reflecţie.
b) Reflecţie cu
expansiune
c) Contracţie pe o
singură direcţie.
d) Contracţie pe cele
trei direcţii.
#include <math.h>
#include "util.h"
// Cel mai mic număr pentru estimarea poziţiei simplexului.
#define TINY 1.0e-10
//Numărul maxim de evaluări ale funcţiei.
#define NMAX 5000
#define GET_PSUM \
for (j=1;j<=ndim;j++) {\
for (sum=0.0,i=1;i<=mpts;i++) sum += p[i][j];\
psum[j]=sum;}
// Codul funcţiilor
// Variabile float
float amotry(float **p, float y[], float psum[];
float functieMin(float []), int ihi, float fac);
float rtol,sum,swap,ysave,ytry,*psum;
psum=vector(1,ndim);
*nfunk=0;
GET_PSUM
for (;;) {
ilo=1;
// Se determină valoarea funcţiei în vîrfurile simplexului şi se
// ordonează crescător
ihi=i;
} else if (y[i] > y[inhi] && i != ihi) inhi=i;
} // end if
rtol=2.0*fabs(y[ihi]-y[ilo])/(fabs(y[ihi])+fabs(y[ilo])+TINY);
ytry=amotry(p,y,psum,ndim,funk,ihi,-1.0);
if (ytry <= y[ilo])
ytry=amotry(p,y,psum,ndim,funk,ihi,2.0);
else if (ytry >= y[inhi]) {
ysave=y[ihi];
ytry=amotry(p,y,psum,ndim,funk,ihi,0.5);
if (ytry >= ysave) {
for (i=1;i<=mpts;i++) {
if (i != ilo) {
for (j=1;j<=ndim;j++)
p[i][j]=psum[j]=0.5*(p[i][j]+p[ilo][j
]);
y[i]=(*funk)(psum);
} // end if
}// end for i
*nfunk += ndim;
// Recalculează psum.
GET_PSUM
}
} else --(*nfunk);//Corecţie a nr. De iteraţii.
} // Inapoi la testarea unei noi iteraţii. End for
166
Capitolul 5.
free_vector(psum,1,ndim);
} // end functie.
#include "nrutil.h"
float amotry(float **p, float y[], float psum[], int ndim,
float functieMin(float []), int ihi, float fac)
{
/*
Inmulţeşte cu factorul de scară <fac> faţa simplexului opusă valorii maxime.
Incearcă noul rezultat şi înlocuieşte punctul cu valoarea maximă dacă noul
punct este mai bun.
*/
int j;
float fac1,fac2,ytry,*ptry;
ptry=vector(1,ndim);
fac1=(1.0-fac)/ndim;
fac2=fac1-fac;
for (j=1;j<=ndim;j++) ptry[j]=psum[j]*fac1-p[ihi][j]*fac2;
ytry=functieMin(ptry);
// Dacă soluţia este mai bună înlocuieşte vârful cu valoare maximă.
În cubcapitolele 5.1, 5.2 şi 5.3 s-a dezvoltat proceduri de optimizare pentru funcţii de o
singură variabilă. În cazul funcţiilor de mai multe variabile problema apare mult mai
complicată, dar dacă se consideră că se porneşte procesul de căutare a minimului
pornind de la un punct iniţial, P0, şi se continuă căutarea minimului pe direcţia unei axe,
(caz în care doar o singură variabilă poate lua valori), atunci, problema poate fi redusă la
optimizarea unei funcţii de o singură variabilă. Acesta este considerentul pe care se
bazează toate metodele de optimizare de tipul direcţiilor conjugate, Powell, etc.
Toate aceste metode de optimizare au în comun o procedură de tipul:
care conduce cel mai rapid la determinarea minimului. Aceasta este implementată pentru
cazul de faţă în funcţia C denumită linFind şi deoarece este utilizată şi de programe care
folosesc gradienţii funcţiei de optimizat conţine şi utilizarea mărimilor acestora. Prin
neapelarea funcţiilor care calculează gradienţii se poate adapta cu uşurinţă metodelor
mai generale care nu necesită calculul gradienţilor. Acelaşi lucru este valabil şi pentru
linMin.
Modul de lucru al algoritmilor bazaţi pe eceste metode constă în principiu în:
Observaţii.
Deoarece nu are loc o evaluare în prealabil a direcţiei după care scăderea funcţiei
este maximă procesul poate în unele cazuri să dureze mult mai mult decât ar fi necesar.
Obţinerea unei soluţii cât mai precisă se face prin micşorarea pasului discretizării. De
asemenea este necesară evitarea unui număr mare de iteraţii prin introducerea unor
direcţii de căutare alese cât mai judicios ca şi prin testarea direcţiei pe care valoarea
funcţie scade cît mai rapid.
S-au introdus astfel mai multe variante ale algoritmului.
Acestea se bazează pe alegerea unor direcţii care să evite zonele cu scăderi sau creşteri
bruşte ale funcţiei sau pe căutarea unor direcţii cu proprietatea că minimizarea funcţiei pe
o direcţie să nu fie afectată de celelalte direcţii, astfel încât deolasarea spre minimul
funcţiei să se facă din cât mai puţini paşi.
Direcţiile onjugate.
Dacă se dezvoltă în serie Taylor funcţia f(x1,..,xN) în jurul unui punct P şi se grupează
termenii care conţin prima şi a doua derivată se pot determina direcţiile căutate.
∂fN
∂2 f
f ( x ) = f (P ) + ∑ xi + 0,5∑ xi x j + .... = [C ] − [B ] ⋅ [ X ] + 0,5 ⋅ [ X ] ⋅ [ A] ⋅ [X ] (5.10)
i =1 ∂x i ∂xi ∂x j
Termenii ecuaţiei pot fi scrişi su forma:
[C ] = f ( P)
[B] = − ∂f (5.11)
∂x P
∂2 f
[A] =
∂xi ∂x j
P
obţinută la căutarea anterioară. Această condiţie este îndeplinită dacă gradientul tinde
spre zero, deci direcţiile sunt perpendiculare.
∇f = [ A] ⋅ [x ] − [b] (5.13)
Obţinerea setului de direcţii conjugate nu este atât de simplă cum pare. Procedura care
este implementată reiniţializează un set de direcţii [U] după ce au fost efectuate N iteraţii
pentru a se evita problemele legate de algoritmul Powell de generare a direcţiilor
conjugate.
// Funcţia Powell
void powell(float p[], float **xi, int n, float ftol, int *iter, float
*fret,float functieMin(float []))
{
/*
SCOP
Minimizarea unei funcţii de n variabile.
DATE DE INTRARE
P[1..n] - soliţia iniţială
Xi[1..n][1..n] -matricea setului iniţial de direcţii
Ftol - abaterea admisă asupra valorii funcţiei pentru a se evita
ca aceasta să scadă mai mult decît o valoare admisibilă.
DATE REZULTATE
P[1..n] - soluţia obţinută
Xi[][] - direcţia curentă
Fret - valoarea funcţie în punctul curent
Diter - numărul de iteraţii.
*/
int i,ibig,j;
float del,fp,fptt,t,*pt,*ptt,*xit;
pt=vector(1,n);
169
Capitolul 5.
ptt=vector(1,n);
xit=vector(1,n);
*fret= functieMin(p);
del=0.0;
// Pentru fiecare iteraţie
// 1. Fă ciclu pe toate direcţiile din set
// 1.1 Memorează direcţiile în xit[]
// 1.2 Calculează valoarea funcţiei pentru toate direcţiile setului
// 1.3. Caută minimul pentru fiecare direcţie cu linMin
// 1.4 Memorează valorile care conduc la descreşterea maximă.
for (i=1;i<=n;i++) {
for (j=1;j<=n;j++) xit[j]=xi[j][i];
fptt=(*fret);
linmin(p,xit,n,fret,functieMin);
if (fptt-(*fret) > del) {
del=fptt-(*fret);
ibig=i;
}
}
// Condiţia de terminare.
fptt=funcieMin(ptt);
xi[j][ibig]=xi[j][n];
xi[j][n]=xit[j];
}
}
}
} // Următoarea iteraţie
} // End funcţie
Metoda adoptată pentru linMin se bazează pe cele descrise în 5.1-5.3 dar trebuie făcute
câteva mici modificări pentru a se ţine cont de punctul curent de căutare şi abscisele
(a,b,c) se referă în acest caz la vecinătăţi ale abscisei punctului curent. Se construieşte
astfel o funcţie ce depinde doar de variabila direcţiei dorite, f1D, iar pentru această
funcţie se utilizează procedurile abcDetermin cu derivBrent sau minGolden pentru a
determina minimul acesteia. Se utilizează astfel funcţiile deja descrise în subcapitolele
anterioare pentru a determina minimul căutat.
#include “util.h”
int ncom;
float *pcom,*xicom,nrFunctie(float []);
void linMin(float p[], float xi[], int n, float *fret, float functieMin(float
[]))
{
/*
SCOP
Clculul valorii minimului funcţiei functieMin() şi un punct P se caută
minimul acesteia pe direcţia x1 a unui set de direcţii xi[1..n] şi
actualizează noile valori ale coordonatele punctului P.
DATE DE INTRARE
P - poziţia puncului de căutare a minimului
functieMin(xi[]) - expresia funcţiei ce se optimizează
xi[] - coordonatele punctului P
FUNCTII APELATE
Brent
F1D
abcDetermin
DATE REZULTATE
P - noua poziţie a punctului curent
xi[] - noile coordonate ale punctului
fret - valoarea funcţiei în noul punct P
*/
// Declararea funcţiilor apelate
float derivBrent(float ax, float bx, float cx,float functieMin(float), float
tol, float *xmin);
float f1D(float x);
void abcDetermin(float *ax, float *bx, float *cx, float *fa, float *fb,
float *fc, float functieMin(float));
171
Capitolul 5.
for (j=1;j<=n;j++) {
pcom[j]=p[j];
xicom[j]=xi[j];
}
ax=0.0;
xx=1.0;
abcDetermin(&ax,&xx,&bx,&fa,&fx,&fb,f1dim);
*fret=derivBrent(ax,xx,bx,f1dim,TOL,&xmin);
for (j=1;j<=n;j++) {
xi[j] *= xmin;
p[j] += xi[j];
}
// Eliberarea memoriei
free_vector(xicom,1,n);
free_vector(pcom,1,n);
}
#include "util.h"
f ([X ]) ≅ [C ] − [B ] ⋅ [ X ] + [X ]⋅ [A] ⋅ [X ]
1
(5.14)
2
g i +1 = g i − λi ⋅ A ⋅ hi
hi +1 = g i +1 + γ i ⋅ hi (5.15)
i = 0,1,2,...
gi ⋅ g j = 0
hi ⋅ A ⋅ h j = 0
(5.16)
gi ⋅ h j = 0
j<i
gi ⋅ gi g i ⋅ hi
λi = =
hi ⋅ A ⋅ hi hi ⋅ A ⋅ hi
(5.17)
g ⋅g
γ i = i +1 i +1
gi ⋅ gi
g i = − ∇f ( x ) P (5.18)
i
g i +1 = − ∇f ( x) P (5.19)
i +1
Se determină în continuare
(g i +1 − g i ) ⋅ g i +1
γi = (5.20)
gi ⋅ gi
void frprmn(float p[], int n, float ftol, int *iter, float *fret,float
functieMin(float []), void functieDeriv_1(float [], float []))
{
/*
SCOP
Calculeaza minimul functiei functieMin utilizând metoda gradientilor
gradientilor conjugati.
DATE DE INTRARE
P[1..n] - punctul iniţial
Ftol - criteriul de convergenta
DATE OBTINUTE
P[1..n] - punctul minimului
174
Capitolul 5.
int j,its;
float gg,gam,fp,dgg;
float *g,*h,*xi;
g=vector(1,n);
h=vector(1,n);
xi=vector(1,n);
// INIŢIALIZĂRI FUNCŢII
fp=functieMin(p);
functieDeriv_1(p,xi);
for (j=1;j<=n;j++) {
g[j] = -xi[j];
xi[j]=h[j]=g[j];
}
// Ciclul iterativ
for (its=1;its<=ITMAX;its++) {
*iter=its;
// Caută noul punct
linmin(p,xi,n,fret,func);
if (2.0*fabs(*fret-fp) <= ftol*(fabs(*fret)+fabs(fp)+EPS)) {
FREEALL
return;
}
fp= *fret;
functieDeriv_1(p,xi);
dgg=gg=0.0;
for (j=1;j<=n;j++) {
gg += g[j]*g[j];
// dgg += xi[j]*xi[j]; Criteriul Fletcher-Reeves.
dgg += (xi[j]+g[j])*xi[j]; //Criteriul Polak-Ribiere.
}
if (gg == 0.0) {//Solutie neaşteptată Gradient zero.
FREEALL
return;
}
gam=dgg/gg;
for (j=1;j<=n;j++) {
g[j] = -xi[j];
xi[j]=h[j]=g[j]+gam*h[j];
}
}
nrerror("Numarul maxim de iteratii depasit");
}
În cazul în care derivatele funcţiei pot fi calculate fără a întâmpina dificultăţi sau în cazul
în care se utilizează gradienţii este posibilă modificarea funcţiei linMin cu linMinDeriv_1
care utilizează f1D şi df1dim.
175
Capitolul 5.
#include "util.h"
#define TOL 2.0e-4 //Abaterea comună cu dbrent.
int ncom; //Nr. De variabile comune cu f1D.
float *pcom,*xicom,(*nrfunc)(float []);
void (*nrdfun)(float [], float []);
for (j=1;j<=n;j++) {
xi[j] *= xmin;
p[j] += xi[j];
}
free_vector(xicom,1,n);
free_vector(pcom,1,n);
}
176
Capitolul 5.
#include "util.h"
extern int ncom; // Definite în dlinmin.
extern float *pcom,*xicom,(*nrfunc)(float []);
extern void (*nrdfun)(float [], float []);
float df1dim(float x)
{
int j;
float df1=0.0;
float *xt,*df;
xt=vector(1,ncom);
df=vector(1,ncom);
for (j=1;j<=ncom;j++) xt[j]=pcom[j]+x*xicom[j];
(*nrdfun)(xt,df);
for (j=1;j<=ncom;j++) df1 += df[j]*xicom[j];
free_vector(df,1,ncom);
free_vector(xt,1,ncom);
return df1;
}
1
f ( x ) = f ( x i ) − ( x − x i ) ⋅ ∇f ( x i ) + ( x − x i ) ⋅ A ⋅ ( x − x i )
2
sau:
f ( x) − f ( xi )
= ∇f ( xi ) + A ⋅ ( x − xi ) = ∇f ( x )
x − xi
x − x i = − A −1 ⋅ ∇ f ( x i )
Deci cu cât mai precisă este determinarea matricii A-1 cu atât mai precisă va fi valoarea
obţinută pentru noua poziţie a punctului curent în procesul de minimizare. Dar în
metodele de acest tip, valoarea A-1 se determină cu ajutorul unui proces iterativ care s-a
dovedit că este mai eficient decât calculul exact al Hessianului (H = A-1). Metodele ce se
177
Capitolul 5.
lim i →∞ H i = A −1
Aceast mod de abordare pare la prima vedere “paradoxal”, dar dacă ţinem seama că se
caută un minim, deci ne găsim pe direcţii pentru care gradienţii trebuie să îndeplinească
condiţiile:
r
∇f ⋅ p < 0
∇f ( xi ) ⋅ ( x − xi ) = − ( x − xi ) ⋅ A ⋅ ( x − x i ) < 0
care impun ca matricea A să fie întotdeauna pozitiv definită. Dacă s-ar utiliza valoarea
exactă a Hessianului s-ar putea întâlni cazul când funcţia să prezinte o creştere a valorii
şi s-ar depăşi punctul de minim căutat.
Ideea de bază constă în pornirea cu o matrice A de test, de regulă matricea unitară şi
calculul matricii H astfel încât aceasta să rămână în permanenţă pozitiv definită şi
simetrică. Această abordare ne asigură că întotdeauna ne deplasăm spre minim către
valori descrescătoare ale funcţiei pe care o minimizăm. În apropierea minimului se atinge
abia valoarea reală a Hessianului şi se găseşte punctul căutat.
Această strategie este utilizată de metoda Broyden-Fletcher-Goldfarb-Shanon[5.7] (BFGS)
funcţiile C utilizate pentru a descrie metoda fiind bfgs şi funcţia linSrch destinată căutării
valorii minime a funcţiei după o direcţie dată.
#include <math.h>
#include "nrutil.h"
void bfgs(float p[], int n, float gtol, int *iter, float *fret,
float(*func)(float []), void (*dfunc)(float [], float []))
{
/*
SCOP
Determinarea minimului prin metoda Fletchel-Powell în varianta Broyden-
Fletchel-Goldfarb-Shanno.
INTRARE:
P[1..n] - punctul de pornire în căutarea minimului.
Func - funcţia ce se minimizează
dFunc - gradienţii funcţiei
gTol - abaterile de la zero pentru gradienţii funcţiei.
REZULTATE:
P[1..n] - punctul de minim
fRet - valoarea minimă a funcţiei
FUNCTII APELATE:
lnSrc - se utilizează pentru a căuta minimul pe o direcţie.
178
Capitolul 5.
*/
void lnSrch(int n, float xold[], float fold, float g[], float p[], float
x[],float *f, float stpmax, int *check, float (*func)(float []));
int check,i,its,j;
float den,fac,fad,fae,fp,stpmax,sum=0.0,sumdg,sumxi,temp,test;
float *dg,*g,*hdg,**hessin,*pnew,*xi;
dg=vector(1,n);
g=vector(1,n);
hdg=vector(1,n);
hessin=matrix(1,n,1,n);
pnew=vector(1,n);
xi=vector(1,n);
fp=(*func)(p);
(*dfunc)(p,g);
for (i=1;i<=n;i++) {
for (j=1;j<=n;j++) hessin[i][j]=0.0;
hessin[i][i]=1.0;
xi[i] = -g[i];
sum += p[i]*p[i];
}
stpmax=STPMX*FMAX(sqrt(sum),(float)n);
for (its=1;its<=ITMAX;its++) {
*iter=its;
lnSrch(n,p,fp,g,xi,pnew,fret,stpmax,&check,func);
fp = *fret;
for (i=1;i<=n;i++) {
xi[i]=pnew[i]-p[i];
p[i]=pnew[i];
}
test=0.0;
for (i=1;i<=n;i++) {
temp=fabs(xi[i])/FMAX(fabs(p[i]),1.0);
if (temp > test) test=temp;
}
if (test < TOLX) {
FREEALL
return;
}
// Salvează valorile gradienţilor şi recalculează noile valori.
test=0.0;
den=FMAX(*fret,1.0);
179
Capitolul 5.
for (i=1;i<=n;i++) {
temp=fabs(g[i])*FMAX(fabs(p[i]),1.0)/den;
if (temp > test) test=temp;
}
if (test < gtol) {
FREEALL
return;
}
for (i=1;i<=n;i++) dg[i]=g[i]-dg[i];
for (i=1;i<=n;i++) {
hdg[i]=0.0;
for (j=1;j<=n;j++) hdg[i] += hessin[i][j]*dg[j];
}
fac=fae=sumdg=sumxi=0.0;
for (i=1;i<=n;i++) {
fac += dg[i]*xi[i];
fae += dg[i]*hdg[i];
sumdg += SQR(dg[i]);
sumxi += SQR(xi[i]);
}
if (fac > sqrt(EPS*sumdg*sumxi)) {
fac=1.0/fac;
fad=1.0/fae;
for (i=1;i<=n;i++) dg[i]=fac*xi[i]-fad*hdg[i];
for (i=1;i<=n;i++) {
for (j=i;j<=n;j++) {
hessin[i][j] += fac*xi[i]*xi[j]
-fad*hdg[i]*hdg[j]+fae*dg[i]*dg[j];
hessin[j][i]=hessin[i][j];
}
}
}
for (i=1;i<=n;i++) {
xi[i]=0.0;
for (j=1;j<=n;j++) xi[i] -= hessin[i][j]*g[j];
}
}
nrerror("Prea multe iteratii in bfgs");
FREEALL
}
cu restricţiile banale:
x1 ≥ 0 ; x 2 ≥ 0 ; ... ; x N ≥ 0 (5.8.2)
M = m1 + m2 + m3.
b j ≤ a j1 ⋅ x1 + a j 2 ⋅ x 2 + ... + a jN ⋅ x N (5.8.4)
unde:
bj ≥ 0
j = 1,..., m2
bk = a k1 ⋅ x1 + a k 2 ⋅ x 2 + ... + a kN ⋅ x N (5.8.5)
unde:
bk ≥ 0
k = 1,..., m3
Un set de valori x1…xN care satisface condiţiile I, II şi III este numit vector candidat iar
funcţia ce se optimizează se numeşte de oboicei funcţie scop sau funcţie obiectiv.
Un vector candidat care maximizează funcţia obiectiv se numeşte vector candidat
optimal. În ciuda faptului că se asigură optimul funcţiei, un astfel de vector nu este
optimul căutat atunci când:
a) restricţiile conduc la un sistem incompatibil şi nu avem un vector candidat viabil,
b) nu putem fi siguri ca am găsit un maxim deoarece există variabile care pot lua
valori oricît de mari fără să influenţeze restricţiile impuse şi se obţine o valoare
nemărginită a funcţiei obiectiv.
- Se pot introduce un număr nelimitat de restricţii liniare sau care pot fi liniarizate
astfel încât să se atingă probleme diverse legate atât de restricţiile tehnologice
cât şi de aspecte economice şi se complectează astfel restricţiile date de
ecuaţiile 5.8.3-5.8.5.
- Faptul că funcţia obiectiv este liniară nu este un inconvenient foarte mare
deoarece aceasta poate fi uşor liniarizată pe subintervale şi printr-o aplicare
repetată a algoritmului pe acestea se poate găsi optimul căutat.
Exemplul 8.1
Cu restricţiile nebanale:
x1 + 2 ⋅ x3 ≤ 740 (tip I )
2 ⋅ x2 − 7 ⋅ x4 ≤ 0
(5.8.7)
x 2 − x3 + 2 ⋅ x 4 ≥ 0,5 (tip II )
x1 + x 2 + x3 + x 4 = 9 (tip III )
Se observă că N = 4 şi m1 = 2, m2 = m3 = 1 deci M = 2 + 1 + 1 = 4.
din vârfurile acestuia sau se caută cel mai apropiat vârf. Acest punct are toate
coordonatele definite astfel încât să satisfacă sistemul de restricţii şi asigură şi maximul
uncţiei obiectiv.
Punctele care formează soluţiile candidate şi satisfac şi restricţiile în cazul în care
acestea sunt înlocuite cu egalităţi sunt denumite vectorii candidaţi de bază. Dacă N > M
atunci un vector candidat din bază are N – M componente egale cu zero în conformitate
cu restricţia 5.8.2. Altfel spus, cel puţin M componente ale vectorilor candidaţi ai bazei
pot fi diferite de zero.
Se poate astfel exprima teorema fundamentală a optimizării liniare sub forma:
Dacă există un vectori candidaţi, atunci soluţia optimă se va găsi într-un vector
candidat al bazei.
Prima abordare a acestei metode a fost dată de Danzing în 1946 [5.8.2] sub forma modului
de organizare a algoritmului de calcul. Astfel,
- se generează şi se verifică o mulţime de combinaţii ale variabilelor astfel încât
funcţia obiectiv să ia valori crescătoare.
- Vectorul candidat optim se determină după un număr de iteraţii egal cu
maximul dintre N şi M.
Figura 5.8.1. Domeniul de valabilitate a soluţiilor posibile în cazul existenţei restricţiilor de tip
inegalitate şi a restricţiilor de tip egalitate pentru o problemă de optimizare ce depinde de doi
parametrii.
Exemplul 8.2.
Maximul z = 2 ⋅ x 2 − 4 ⋅ x3 (5.8.8)
x1 = 2 − 6 ⋅ x 2 + x3
(5.8.9)
x 4 = 8 + 3 ⋅ x 2 − 4 ⋅ x3
Problema fiind liniară, reducerea la forma canonică se face cu relativă uşurinţă mai ales
că nu este obligatoriu să se pornească de la un set de variabile şi restricţii cât mai
apropiat de soluţia optimă. Valorile xariabilelor din partea dreaptă se obţin de regulă prin
184
Capitolul 5.
înlocuirea cu zero a variabilelor din partea stângă în ecuaţiile restricţiilor care intră în
bază (5.8.9). Astfel, pentru cazul considerat x1 = 2 şi x4 = 8.
Modul de lucru în programarea numerică constă în modificările pe care le suferă vectorul
variabilelor din stînga (variabilele din bază) prin înlocuirea variabilelor din acesta cu
variabille aflate în partea dreaptă cu scopul de a se obţine în permanenţă o creştere a
valorii funcţiei obiectiv şi a se păstra totuşi forma canonică a problemei.
Modul de operare a algoritmului este mai simplu de urmărit dacă se utilizează o formă
tabelară de lucru, formă care este asemănătoare cu modul de lucru al algoritmului.
Astfel, dacă se pun variabilele din partea stângă pe rânduri şi cele din partea dreaptă pe
coloane se obţine tabelul 5.8.1. Se uşurează astfel verificarea intrărilor şi părăsirrilor
vectorului variabilelor din bază ca şi ecuaţiile care formează problema canonică.
Tabelul 5.8.1
x2 x3 Variabile dreapta
Funcţia obiectiv z 0 2 -4
Variabile din bază x1 2 -6 1
(stânga) x4 8 3 -4
Primul pas în algoritmul Simplex constă în verificarea rândului funcţiei obiectiv, rândul
notat cu z în tabelul 5.8.1.
Pasul 1.
Se caută în coloanele ce corespund variabilelor din dreapta coeficientul cu
valoarea pozitivă cea mai mare, deci max{2,-4} 2 ceea ce reprezintă faptul că
influenţa maximă asupra creşterii valorii funcţiei z o are variabila x2.
Dacă toate valorile sunt negative atunci nici o variabilă din partea dreaptă nu mai
poate produce o creştera a funcţiei obiectiv şi s-a obţinut valoarea maximă a
funcţiei obiectiv.
Pasul 2.
Se caută în coloanele ce reprezintă coeficienţii variabilelor din dreapta în ecuaţiile
restricţiilor (5.8.9) pentru a vedea cât de mult poate creşte variabila x2 pentru a
aduce una din variabilele din stânga la valori negative. Se caută de fapt cea mai
mică valoare negativă a coeficienţilor ce înmulţesc variabila aleasă la pasul 1 în
ecuaţiile restricţiilor, în cazul de faţă, min{-6,3} -6, dar acesta este coeficientul
din restricţia variabilei de bază x1.
Dacă toţi coeficienţii căutaţi sunt pozitivi atunci se încheie procesul de calcul şi se
afişază soluţia.
Pasul 3.
Se introduce în bază variabila x2 şi se extrage din bază variabila x1.
Pentru a face aceasta trebuie reactualizată forma canonică a problemei.
Deci, se exprimă restricţia în funcţie de x2 (noua variabilă ce intră în bază).
2 1 1
x1 = 2 − 6 ⋅ x 2 + x3 → x2 = − x1 + x3 (5.8.10)
6 6 6
185
Capitolul 5.
1 x x 2 x 11
z = 2 ⋅ x 2 − 4 ⋅ x3 = 2 − 1 + 3 − 4 ⋅ x3 = − 1 − x3 (5.8.11)
3 6 6 3 3 3
x 7
x 4 = 8 + 3 ⋅ x 2 − 4 ⋅ x3 → x 4 = 9 − 1 − x3 (5.8.12)
2 2
Tabelul 5.8.2
Variabile dreapta
x1 x3
Funcţia obiectiv z 2/3 -1/3 -11/3
Variabile din bază x2 1/3 -1/6 1/6
(stânga) x4 9 -1/2 -7/2
Pasul 4.
Constă în reluarea pasului 1 şi căutarea unor noi creşteri a funcţiei obiectiv.
Cum în cazul de faţă, pe rândul funcţiei obiectiv toţi coeficienţii variabilelor din
dreapta sunt negativi, se poate afişa soluţia:
2
z= ← max
3
x1 = 0 (din dreapta)
1
x2 = (5.8.13)
3
x3 = 0 (din dreapta )
x4 = 9
Dacă se defineşte pivotul ca fiind coeficientul variabilei care intră în bază atunci se poate
defini algoritmul de rezolvarea a problemei mult mai simplu:
Utilizarea acestui algoritm permite rezolvarea problemelor de programare liniară date sub
formă canonică (redusă sau normală). Singurul caz care nu poate fi rezolvat este cel
care conduce la valori zero atât pentru variabilele din stânga cât şi pentru cele din
dreapta, caz despre care se spune că conduce la vectori degeneraţi ai bazei.
186
Capitolul 5.
1 ⋅ x1 + 0 ⋅ x 2 + 2 ⋅ x3 + 0 ⋅ x 4 + y1 = 740
0 ⋅ x1 + 2 ⋅ x 2 + 0 ⋅ x3 − 7 ⋅ x 4 + y 2 = 0
(5.8.14)
0 ⋅ x1 + 1 ⋅ x 2 − 1 ⋅ x3 + 2 ⋅ x 4 − y 3 = 0,5
1 ⋅ x1 + 1 ⋅ x 2 + 1 ⋅ x3 + 1 ⋅ x 4 =9
z1 = 740 − x1 − 2 ⋅ x3 − y1
z 2 = −2 ⋅ x 2 + 7 ⋅ x 4 − y 2
(5.8.15)
z 3 = 0,5 − x 2 + x3 − 2 ⋅ x 4 + y 3
z 4 = 9 − x1 − x 2 − x3 − x 4
S-a ajuns la forma căutată, cu preţul introducerii unui număr mult mai mare de variabile.
Cu toate aceastea, prin artificiile efectuate, valoarea acestor variabile nu influenţează
rezultatul problemei şi mai mult toate variabilele adiţionale sunt nule.
1
z ' = − z1 − z 2 − z 3 − z 4 = 2 ⋅ x1 + 4 ⋅ x 2 + 2 ⋅ x3 − 4 ⋅ x 4 + y1 + y 2 − y 3 − (749 + ) (5.8.16)
2
set de variabile de bază (din stânga) care să fie format din variabilele xi şi yi şi toate
variabilele zi să fie în partea dreaptă. Se obţine astfel setul de ecuaţii de restricţie sub
formă normală pentru al doilea stadiu de rezolvare a problemei şi se elimină variabilele zi
din problemă ceea ce conduce la obţinerea unui set de variabile din stânga viabil. Scopul
acestei prime faze de rezolvare a problemei constă de fapt în obţinerea setului de
variabile din bază doar funcţie de variabilele xi şi yi. Dacă nu se poate obţine un set de
variabile din bază, deci dacă nu toate variabilele zi pot fi mutate în partea dreaptă atunci
problema nu admite soluţie şi procesul de optimizare se încheie. De regulă se analizează
în acest caz restricţia sau restricţiile a cărei sau a căror variabile artificiale (zi) nu au putut
fi eliminate din bază, se redefinesc aceste restricţii şi se încearcă din nou rezolvarea
problemei.
În ce-a de-a doua fază a optimizării se utilizează setul de variabile din stînga obţinut în
prima fază împreună cu funcţia obiectiv originală pentru a se obţine maximul dorit ca şi
valorile parametrilor xi care conduc la acesta.
Programul destinat rezolvării acestor probleme foloseşte alocarea variabilelor sub o
formă cât mai eficientă, astfel aceeaşi alocare de variabile este valabilă pentru ambele
faze ale rezolvării. Forma generală a acestuia este dată în tabelul 5.8.3.
Informaţiile utile sunt cuprinse într-o zonă mult mai redusă a tabelului general, doar N +1-
m3 coloane şi M + 1 rânduri. Variabilele se află în prima coloană şi valorile acestora în
188
Capitolul 5.
cea de-a doua coloană. După cum se observă în vectorul soluţiei apare şi variabila y1,
valoarea acesteia corespunzând limitei peste care restricţia ce corespunde acesteia nu
mai este îndeplinită. Variabilele care nu se găsesc în vectorul soluţiei (nu sunt în partea
stângă, sau nu se găsesc în vectorul bazei) vor lua valoarea zero. De asemenea
variabilele yi care au valoarea zero indică faptul că restricţia care corespunde acestei
variabile în urma înlocuirii soluţiei devine egalitate.
Soluţia problemei din exemplul 5.8.2, cu aceste observaţii, va fii:
x1 = 0
x 2 = 3,33
(5.8.17)
x3 = 4,73
x 4 = 0,95
S-a urmărit implementarea dată de Kuenzi, ş.a [5.8.4]. După ce s-au definit mărimile,
N,M,m1,m2,m3 se dimensionează matricea a[M+2][N+1] care conţine coeficienţii funcţiei
obiectiv pe primul rând urmate de coeficienţii restricţiilor de tipul I, II şi III aşa cum se
indică în tabelul 5.8.3. Aceste intrări ocupă M + 1 rânduri şi N + 1 coloane din a[1…m +
1][1…n + 1]. Pe rândul M + 2 se găseşte funcţia obiectiv adiţională, z’. Este foarte
important ca restricţiile să fie scrise în funcţie de tipul acestora, restricţii de tipul I, urmate
de restricţiile de tipul II şi la final se trec restricţiile de tipul egalitate III.
Se utilizează doi vectori pentru indecşi:
iposv[j = 1..M] care conţine iniţial indecşii variabilelor principale şi la finalul
rulării indecşii variabilelor din stânga (soluţia). Dacă valoarea acestui indice este
mai mare decât N, atunci referirea se face la o variabilă yi şi valoarea acesteia nu
va fi cuprinsă în soluţie.
izrov[j = 1..N] care conţine indecşii variabileor care se găsesc în dreapta deci
nu sunt în soluţie. Dacă valoarea acestora I = izrov[j] <= N atunci valoarea
variabilei x[i] va fi nulă deoarece aceasta se găseşte în partea dreaptă. Dacă N < I
= izrov[j] < N+m1+m2 atunci se indexează variabilele yi şi dacă
i=izrov[j]>N+m1+m2 atunci se face adresarea variabilelor zi, care sunt privite ca
variabile interne programului şi în procesul de afişare a rezultatelor se anulează.
#include <math.h>
#include "util.h"
#define EPS 1.0e-6 // EPS este precizia absoluta valabila pentru
precizie float.
#define FREEALL free_ivector(l3,1,m);free_ivector(l1,1,n+1);
void simplx(float **a, int m, int n, int m1, int m2, int m3, int *icase,int
izrov[], int iposv[])
{
/*
SCOP
Metoda Simplex pentru programare liniara.
INTRARI:
a, m, n, mp, np, m1, m2, m3
REZULTATE
icase
izrov
iposv
FUNCTII APELATE
simp1
simp2
simp3
*/
void simp1(float **a, int mm, int ll[], int nll, int iabf, int *kp, float
*bmax);
void simp2(float **a, int m, int n, int *ip, int kp);
void simp3(float **a, int i1, int k1, int ip, int kp);
int i,ip,is,k,kh,kp,nl1;
int *l1,*l3;
float q1,bmax;
if (m != (m1+m2+m3)) nrerror("Numarul de restrictii este gresit in
<<simplex>>");
l1=ivector(1,n+1);
l3=ivector(1,m);
nl1=n;
for (k=1;k<=n;k++) l1[k]=izrov[k]=k;
q1=0.0;
for (i=m1+1;i<=m;i++) q1 += a[i+1][k];
a[m+2][k] = -q1;
}
for (;;) {
// Determina coficientii maximi ai functiei auxiliare fn.
simp1(a,m+1,l1,nl1,0,&kp,&bmax);
if (bmax <= EPS && a[m+2][1] < -EPS) {
*icase = -1;
FREEALL return;
} else if (bmax <= EPS && a[m+2][1] <= EPS) {
*/
for (ip=m1+m2+1;ip<=m;ip++) {
if (iposv[ip] == (ip+n)) {
// S-a gasit o variabila artificiala pentru o restrictie egalitate.
simp1(a,ip,l1,nl1,1,&kp,&bmax);
if (bmax > EPS)
goto one;
}
}
simp2(a,m,n,&ip,kp);
if (ip == 0) {
*icase = -1;
FREEALL return;
}
one: simp3(a,m+1,n,ip,kp);
191
Capitolul 5.
is=izrov[kp];
izrov[kp]=iposv[ip];
iposv[ip]=is;
for (;;) {
simp3(a,m,n,ip,kp);
192
Capitolul 5.
is=izrov[kp];
izrov[kp]=iposv[ip];
iposv[ip]=is;
}
// Se incepe o noua iteratie.
Funcţia Simple1.
// SIMPL1
void simp1(float **a, int mm, int ll[], int nll, int iabf, int *kp,float *bmax)
{
/*
Gaseste valoarea maxima a elementelor care au indexul in lista l1
indiferent daca au valoarea absoluta insemnata cu iabf.
*/
int k;
float test;
// Nici o coloana eligibila.
if (nll <= 0)
*bmax=0.0;
else {
*kp=ll[1];
*bmax=a[mm+1][*kp+1];
for (k=2;k<=nll;k++) {
if (iabf == 0)
test=a[mm+1][ll[k]+1]-(*bmax);
else
test=fabs(a[mm+1][ll[k]+1])-fabs(*bmax);
if (test > 0.0) {
*bmax=a[mm+1][ll[k]+1];
*kp=ll[k];
}
}
}
}
Funcţia Simp2
// SIMP2
int k,i;
float qp,q0,q,q1;
*ip=0;
for (i=1;i<=m;i++)
if (a[i+1][kp+1] < -EPS) break; // Nici un pivot posibil?
if (i>m) return;
q1 = -a[i+1][1]/a[i+1][kp+1];
*ip=i;
for (i=*ip+1;i<=m;i++) {
193
Capitolul 5.
Funcţia Simp3
// SIMP3
void simp3(float **a, int i1, int k1, int ip, int kp)
{
Bibliografie.
45. Ostrowski, A.M. Solutions of Equations and Systems of Equations, 2nd ed. ,New
York, Academic Press,1966.
46. Peters G., and Journal of the Institute of Mathematics and its Applications, vol. 8.
Wilkinson, J.H. 1971
50. Radaj, D., Temperature Field, Residual Stress, Distorsion, New York,
Springer-Verlag, 1992
51. Rubert, H. PC-Programm zur Nutzung der europäischen Norm EN 287,
Schweißtechnische Software, 1993,pag. 39-43.
52. Sălăgean, T. Fenomene fizice şi metalurgice la sudarea oţelurilor cu arcul
electric , Bucureşti, Ed. Academiei,1963
53. Sălăgean, T. Statistică în sudură, Ed. ODPT 3, 1973
54. Sălăgean, T. Optimizarea sudării cu arcul electric, Bucureşti, Ed. Tehnică
1988.
55. Salvadori, M.G., Metode numerice în tehnică, Bucureşti, Ed. Tehnică, 1972
Baron, M.L.
56. Scharm, A., ICE Integrated Computerized Engineering, Schweißtechnische
Hakerkamp R., Software, 1993, pag. 50-55
Wesling V.,
57. Stoer, J., and Introduction to Numerical Analysis, New York, Springer-
Bulirsch, R Verlag,1980.
58. Schuster, J. WinWeld für Windows, Auswahlprogram für Stabelektroden.
Schweißtechnische Software, 1993, pag. 187- 192.
59. Schäferdieck, B. Die Werkstoff-Datenbank FEZEN, Schweißtechnische Software,
1993, pag. 10-14.
60. Stuart, R.D. Introducere în analiza Fourier, Bucureşti, Ed. Tehnică, 1971
200
Capitolul 4.
61. Sima, V., Varga Practica optimizării asistată de calculator, Bucureşti, Ed. Tehnică,
A. 1986
62. Scharm, A., ICE Integrated Computerized Engineering, Schweißtechnische
Hakerkamp, R., Software, 1993, pag. 50-55.
Wesling, V.,
63. Saad, M., A preprocesing technique for improved mesh generation, Finit
Turcke, D. Element Methods in the Commercial Environment. Ed. J.
Robinson 1979
64. Taloi, D. Optimizarea proceselor tehnologice, Bucureşti, Ed. Academiei,
1987.
65. Tsuruta, A. A new optimization methodology to the determination of welding
Zenri, H., conditions, Doc. I.I.S., 962, 76.
Matsushima, F.
66. Vallini, A. Joints Soudes. Ed. DOUNOD 1968
67. Wilde, D. Optimum seeking methods, New York, Mc. Graw Hell,1964.
68. Whitney, D.E., State of the art in Japanese CAD methodologies for mechanical
products, Charles Stark Draper Laboratory, Inc.;CSDL-P-
3126,Cambridge,MA 02139, 1991.
69. Zienkiewicz, Time-dependent multilaminate model of rocks. Journ, for Num.
O.C., Pande, G.N. and Anal. Meth. Vol. 1.,No.3. (1977)
70. Zienkiewicz, La méthode des éléments finis. Paris, Mc. Graw Hill, 1979.
O.C.
71. Zgură, Gh. Sudarea prin topire, Bucureşti, Ed. D.P. 1983.
*** IMSL Math/Library Users Manual (IMSL Inc., 2500 CityWest
Boulevard, Houston TX 77042).