Temă P.O.M.E.

Elaborarea şi testarea algoritmilor de optimizare.

Analiza performanţelor numerice pe aplicaţii test

Student: Musat Adrian-Florin

N=12

Master SEA1
 1. Algoritmi de optimizare. Generalități
Primul pas în construirea unui model este stabilirea factorilor şi variabilelor pe
care decidentul le consideră importante. Acestea pot fi clasificate în cinci categorii:
variabile de decizie, variabile exogene, restricţii, măsuri ale performanţei şi
variabile intermediare.
Variabilele de decizie sunt acele variabile pe care le controlează decidentul, ele
reprezentând alegerile alternative pentru decident. De exemplu: trebuie să se
introducă un nou produs în fabricaţie. Decidentul poate alege: să se introducă sau
nu, preţul, culoarea, suma alocată reclamei etc.
Variabilele exogene sau externe sunt acelea care sunt importante în problema de
decizie, dar sunt controlate de factori externi sferei decidentului. De exemplu:
preţul materiilor prime pentru realizarea noului produs.
Restricţiile pot fi legate de capacităţile de producţie, resurse, limitări legislative,
politica firmei etc.
Măsuri ale performanţei. În luarea unei decizii decidentul are un scop, un
obiectiv pe care încearcă să-l atingă. Criteriile sau măsurile performanţei sunt
expresii cantitative ale acestor obiective.
Variabilele intermediare sunt necesare pentru includerea tuturor factorilor
importanţi în problema de decizie. Adesea ele leagă factorii de cost şi de câştig. Se
folosesc să lege variabilele de decizie şi exogene de măsurile de performanţă.
O măsură a complexităţii problemei de programare este dimensiunea acesteia
exprimată prin numărul de necunoscute şi de restricţii (Luenberger, 1989).
Dimensiunea problemelor care pot fi rezolvate a crescut o dată cu dezvoltarea
teoriei şi a tehnicilor de calcul.
Se pot distinge acum trei categorii de probleme: de dimensiune redusă (cu cel mult
5 variabile sau restricţii), de dimensiune medie (între 5 şi 100 de variabile sau
restricţii) şi de dimensiuni mari (cu peste 100 de variabile şi restricţii). Această
clasificare reflectă nu numai diferenţe de dimensiuni, dar şi de abordare. Astfel
problemele de dimensiuni mici pot fi rezolvate de mână sau cu un calculator de
buzunar. Problemele de dimensiuni mari necesită programe matematice generale.
Porblemele de dimensiuni mari necesită programe sofisticate care exploatează
caracteristicile particulare ale problemei și, de obicei, se rulează pe calculatoare de
mare capacitate.
Teoria iniţială a optimizării s-a concentrat asupra obținerii rezultatelor teoretice,
ignorând aspectele de calcul ale metodelor propuse. Abordările recente se axează
pe exploatarea caracteristicilor calculatoarelor, obținând soluția prin metode
iterative. [1 ]
 Algoritmul Simplex-Downhill ASD este unul dintre cei mai robusti si simplu de
implementat algoritmi de optimizare numerica. ASD este un algoritm determinist
de ordin 0, necesitând evaluări doar ale funcţiei obiectiv, nu şi ale derivatelor sale.
In literatura de specialitate, poate fi numita metoda Monte Carlo sau alogoritmul
stochastic. Algoritmi random search sunt utili in rezolvarea problemelor de
optimizări globale prost structurate, în cazul în care funcţia obiectiv poate fi
nonconvexa şi, eventual, discontinua pe un domeniu continuu, discret, sau mixte
(continuu-discrete). O problemă optimizării globale cu variabile continue poate
conţine mai multe optime locale sau puncte staţionare. O problemă cu variabile
discrete se încadrează în categoria de optimizăre combinatorica. O combinaţie de
variabile continue si discrete apare în multe sisteme complexe, inclusiv probleme
de proiectare, programare, şi alte aplicaţii în sistemele biologice şi economice.
Algoritmul Simplex Downhill este unul dintre algoritmii de optimizare numerica
cei mai robusti si simpli de implementat. Acest algoritm de tip determinist asigura
aflarea punctului de minim global in cazul functiilor obiectiv de tip unimodal.
Dezavantajul sau principal, comun tuturor algoritmilor deterministi, iese in
evidenta in cazul functiilor obiectiv cu mai multe puncte de minim cand plecand de
la aceleasi puncte initiale algoritmul conduce intotdeauna la aceeasi solutie care nu
este neaparat minimul global al functiei obiectiv. Acest dezavantaj poate fi depasit
repornind algoritmul din diferite puncte de plecare initiale distribuite aleator sau
uniform in domeniul de cautare. Ulterior cea mai mica valoare selectata din lista
punctelor de minim corespunzatoare diferitelor puncte de plecare initiale va fi
considerata punct de minim global al problemei de optimizare. In practica, o buna
parte dintre problemele de optimizare bine formulate avand suport fizic nu au decat
un singur punct de minim care este de fapt punctual de minim global al functiei
obiectiv.
Avantajele ASD: simplitate, robusteţe.
În cazul problemelor de optimizare n - dimensionale ASD are nevoie de n+1
puncte de plecare care definesc simplexul iniţial. ASD presupune o serie de paşi, in
mare parte pentru a deplasa punctul în care FO ia valoarea cea mai mare (pt. pb. de
minimizare). Deplasarea acestui punct se face spre faţa opusă a simplexului, într-
un punct în care se presupune că FO ia o valoare mai mică. Acest tip de operaţie se
numeşte reflexie şi este construită aşa încât simplexul să păstreze acelaşi volum ca
cel iniţial. Pentru a accelera viteza de căutare, simplexul este capabil să efectueze
şi operaţii de expansiune.
2. Testarea Algoritmului Simplex Downhill (ASD) pentru o funcţie obiectiv
convexă simplă, cu 2 parametri (F2p.m).
Se va lansa în execuţie fişierul MATLAB ASD2p.m. Se va modifica eroarea eps (precizia de căutare)
în intervalul 10-9 şi 10-2 şi se va trasa:
- graficul val_min_f_obiectiv = f(eps)

Fig. 2.1. Graficul val_min_f_obiectiv = f(eps)

- graficul nr_evaluari = f(eps)

Fig. 2.2. Graficul nr_evaluari = f(eps)

- graficul param_optim_X = f(eps)

Fig. 2.3. Graficul param_optim_X = f(eps)

- graficul param_optim_Y = f(eps)

Fig. 2.4. Graficul param_optim_Y = f(eps)

3. Se consideră o coloană de transformator a cărei secţiune transversală se
încadrează într-un cerc cu raza R.

Valoarea parametrului geometric R (raza coloanei) este unică pentru fiecare student, cf. tabelelor de
mai jos. Coloana de transformator este realizată din pachete de tole, în două trepte.
Să se determine lăţimile optime ale celor două trepte (L1 şi L2) aşa încât suprafaţa de oţel (SO2)
asociată secţiunii transversale a coloanei să fie maximă. De asemenea se va reprezenta grafic relieful
funcției obiectiv FO2 cu evidențierea punctului de optim.
Pentru rezolvarea aplicaţiei se va determina întâi expresia analitică a suprafeţei de oțel SO2 în
funcţie de cele două lăţimi L1 şi L2. Apoi se va construi în fișierul FO2.m funcția obiectiv ce trebuie
minimizată FO2 = AC – SO2 (unde AC = Aria cercului coloanei). Prin minimizarea funcției FO2 se va
maximiza practic suprafața de oțel SO2. Se va adapta programul ASD2p.m pentru noua funcție
obiectiv cu doi parametri FO2.m.

Fig. 3.1. Coloană de transformator în două trepte

Raza cercului corespunzător numărului N=12 este: r= 96 [mm ].

Ecuația de constrângere a algoritmului este ecuația cercului 𝑥2 + 𝑦2 = 𝑟2 . În acest caz 𝑟 = 96 [𝑚𝑚].

Funcția obiectiv cu doi parametri a sistemului este:

 𝐹𝑂2 = 𝐴𝑐 − 𝐴 = 𝜋 ∙ 𝑟 2 − 𝐿1 𝐻1 − 𝐿2 (𝐻2 − 𝐻1 )

Parametrii ce urmează a fi determinați sunt 𝑥 = 𝐿1 și = 𝐿2 ; 𝐻1 , respectiv 𝐻2 , sunt determinați din

ecuația cercului. Funcția obiectiv devine:

𝑥 2 𝑦 2 𝑥 2
𝐹𝑂2 = 𝐴𝑐 − 𝐴 = 𝜋 ∙ 𝑟 2 − 2 [𝑥√𝑟 2 − ( ) + 𝑦 (√𝑟 2 − ( ) − √𝑟 2 − ( ) )]
2 2 2

În urma modificării algoritmului, se obțin graficele din figurile 3.2 și 3.3, împreună cu valorile
parametrilor următori:

𝐿1 = 163,04 [𝑚𝑚]
{ 𝐿2 = 103,04[𝑚𝑚]
𝐹𝑂2 = 6175.56 [𝑚𝑚2 ]

Fig. 3.2. Graficul 3D pentru 𝑒𝑝𝑠 = 1𝑒 − 8

 Fig. 3.3. Graficul 2D pentru 𝑒𝑝𝑠 = 1𝑒 − 8

4. Concluzii
Pentru determinarea valorilor optime ale celor doi parametri a fost utilizat algoritmul Simplex
Downhill adaptat pentru ecuațiile de restricție corespunzătoare acestui tip de problemă.

Deși algoritmul de optimizare oferă o precizie foarte mare a parametrilor calculați, în realitate se
vor utiliza valori rotunjite ale acestori parametri, algoritmul de optimizare oferind o direcție importantă
în vederea determinării parametrilor reali. In urma simularii au fost obtinute valorile optime pentru
lungimile L1 (163,04mm) si L2 (103,04mm) astfel incat aria treptelor sa fie maxima.

5. Bibliografie
[1] Modele și algoritmi de optimizare, Romică Trandafir, 2004
 eps val_min_f_obiectiv nr_evaluari param_optim_X param_optim_Y
1,00E-02 6,175561798 77 1,630573650 1,03057365
1,00E-03 6,175561193 86 1,630356681 1,03035668
1,00E-04 6,175561193 96 1,630356681 1,03035668
1,00E-05 6,175561153 115 1,630408192 1,03040819
1,00E-06 6,175561152 129 1,630397521 1,03039752
1,00E-07 6,175561153 143 1,630399522 1,03039952
1,00E-08 6,175561152 157 1,630400420 1,03040042
1,00E-09 6,175561152 176 1,630400169 1,03040016