2.5.

Formularea si rezolvarea problemelor de optimizare

si a celor inverse
 Proiectarea optimala a masinilor electrice in raport cu anumite
criterii impuse de beneficiar face apel tot mai frecvent la tehnici de
analiza numerica evoluate care au la baza modele analitice sau
numerice pilotate de algoritmi inteligenti de optimizare numerica.
 Algoritmii de optimizare numerica au cunoscut in ultimii ani o
dezvoltare continua si un grad tot mai ridicat de aplicare in
conceptia si optimizarea echipamentelor si proceselor, respectiv in
rezolvarea problemelor inverse.
 Conceptia asistata de calculator cuplata cu algoritmi de
optimizare eficienti:
-simplifica sarcina inginerului proiectant,
-permite reducerea costurilor necesare dezvoltarii unui produs de
calitate
-diminueaza timpul de lucru si costurile de personal.
 In particular, proiectarea optimala a masinilor electrice prin
utilizarea algoritmilor de cautare performanti reprezinta un subiect
de mare interes si actualitate pentru mediile academice, industriale
1
si pentru centrele de cercetare/dezvoltare de profil.
2.5.1. Formularea unei probleme de optimizare

 O problema de optimizare consta in aflarea minimului unei functii

Fo : D  , numita functie obiectiv, care depinde de n parametri
independenti exprimati prin vectorul X = [x1, x2, …, xn]  D, unde D  n [5].

 Rezolvarea problemei de optimizare presupune aflarea setului de

parametri Xmin care minimizeaza functia obiectiv Fo respectiv valoarea
Fomin a functiei in punctul aflat.

 Daca Fomin = min(Fo)  X  D  Xmin = punct de minim global.

 Daca Fomin = min(Fo)  X  D’  D  Xmin = punct de minim local.

 O problema de maximizare a unei anumite Fo se poate reduce tot la o

problema de minimizare insa a functiei obiectiv Fo’ = -Fo.

 O problema delicata in procesul de optimizare consta in aflarea

punctului de minim global aplicand algoritmi de optimizare capabili sa
evite oprirea cautarii in puncte de minim local.

2
 Criterii de comparatie a performantelor algoritmilor iterativi de
optimizare:
-viteza de convergenta catre punctul de minim,
-nivelul de incredere ca punctul de minim gasit este global.
 Marimea care reflecta progresul algoritmilor de optimizare este
valoarea Fok a functiei obiectiv la pasul k (valoarea trebuie sa
scada spre punctul de minim). Daca valoarea Fok nu mai scade un
anumit numar de iteratii este posibil ca algoritmul sa fi gasit un
punct de minim. Totusi este apriori dificil de spus daca acest
punct este sau nu un punct de minim global.
 Viteza de convergenta este de regula estimata prin numarul de
evaluari ale lui Fo, necesare pentru a reduce valoarea functiei sub
o limita impusa.
 In ceea ce priveste nivelul de incredere trebuie mentionat faptul
ca daca Fo prezinta atat minime locale cat si minime globale
niciun algoritm de optimizare nu garanteaza in mod absolut
convergenta spre minimul global.

3
Exemple de functii test pentru algoritmi de optimizare
Functie convexa cu un parametru: f(x) = 2*x2

4
 Exemple de functii test pentru algoritmi de optimizare
Functie cu un parametru si mai multe puncte de minim local:
g(x) = –|cos(1.5*p*t)| + 10*(t – 0.25)2

5
 Exemple de functii test pentru algoritmi de optimizare
Functia Rosenbrock cu 2 parametri: R(x, y) = 100*(y – x2)2 + (1 – x)2
Domeniu de cautare restrans: xϵ[-2, 2], yϵ[-2, 2])

Punct de minim
(x, y)min = (1, 1)

6
Functia Rosenbrock cu 2 parametri: R(x, y) = 100*(y – x2)2 + (1 – x)2
Domeniu de cautare restrans: xϵ[-2, 2], yϵ[-2, 2])
-curbe de nivel-

Punct de minim
(x, y)min = (1, 1)

7
Camila cu 6 cocoase, domeniu de cautare restrans: xϵ[-2, 2], yϵ[-2, 2])
C(x, y) = (4 – 2.1 * x2 + 1/3 * x4) * x2 + x*y + (– 4 + 4*y2)*y2
-relief 3D-

10

6
Camila

-2
2
1 2
0 1
0
-1 -1
-2 -2
Y X 8
Exemple de functii test pentru algoritmi de optimizare
Camila cu 6 cocoase (domeniu de cautare redus)
C(x, y) = (4 – 2.1 * x2 + 1/3 * x4) * x2 + x*y + (– 4 + 4*y2)*y2
-curbe de nivel-

1 Minim global
(x, y)min = (-0.0896, 0.7126)

Minim Minim
0.5
local local

0
Y

Minim Minim global

-0.5 local (x, y)min = (0.0896, -0.7126) Minim
local

-1

-2 -1.5 -1 -0.5 0 0.5 1 1.5 2 9

X