Metode de optimizare bazate pe proiectarea experimentelor

Metodele de optimizare bazate pe proiectarea experimentelor se clasifică în trei clase deşi nu

diferă foarte mult unele de altele:

1. metode bazate pe glisări de planuri de experimente;

2. metode bazate pe zoom-uri în domeniul experimental;

3. metode exhaustive bazate pe planuri de experimente.

Prima clasă defineşte metodele ce utilizează glisări succesive de planuri identice. Acestea sunt
relativ mici faţă de domeniul fezabil. Poziţionarea lor în spaţiul k-dimensional se stabileşte iterativ, pe
baza valorilor experimentale sau a modelelor calculate.

A doua clasă include algoritmi ce utilizează planuri de acelaşi tip a căror mărime este redusă
succesiv, de la o iteraţie la alta. Planul iniţial acoperă cea mai mare parte a domeniului fezabil.

Metodele exhaustive formează a treia clasă şi recurg la analiza completă şi sistematică a

domeniului fezabil. Această operaţie constă în partiţionarea domeniului fezabil în subdomenii,
realizarea de planuri experimentale în fiecare din ele, urmată de calcularea modelelor răspunsurilor
locale.

În general valorile funcţiei obiectiv pot fi obţinute prin experimente reale sau experimente
numerice (de ex. metoda elementelor finite implementată în softuri specializate).

Metode bazate pe glisări de planuri de experimente

Există două variante:
 varianta care nu necesită calcul de model, ci utilizează direct valorile răspunsului în
punctele experimentale;
 varianta care utilizează modele polinomiale de ordinul I sau II.

1) Varianta care nu necesită calcul de model

Algoritmul utilizează numai factori discreţi; în cazul unor factori continui aceștia se
discretizează într-o mulțime finită de valori (Nvk = numărul total de valori ale factorului k).

Se defineşte o reţea de discretizare (grilă) k-dimensională, preferabil regulată, determinată de

unele din cele Nvk valori ale celor k factori, care va fi suportul algoritmului de optimizare, având mare
influenţă asupra preciziei rezultatelor.

Se stabilesc structura şi dimensiunile planurilor de experimente utilizate, în corelație cu

dimensiunile domeniului fezabil şi ale rețelei de discretizare.

Se utilizează două tipuri de planuri de experimente centrate în noduri ale rețelei determinate
prin algoritm (puncte origine):

● planuri diagonale - formate din noduri ale reţelei dispuse diagonal, de o parte
şi de alta a punctului origine, la egală distanţă de acesta
1
 ● planuri axiale - formate din noduri ale reţelei dispuse axial, de o parte şi
de alta a punctului origine, la egală distanţă de acesta

Pentru k factori există 2k puncte diagonale şi 2k puncte axiale relativ la punctul origine.

Dimensiunea unui plan este definită de parametrul (pasul) s = numărul de noduri ale grilei
străbătute pe o direcţie dată (diagonală sau axială), de la punctul origine la punctele planului (s ≥ 1).
Valoarea lui se stabileşte iniţial în corelaţie cu numerele Nvk.

Se debutează cu planuri de dimensiuni relativ mici faţă de dimensiunile domeniului fezabil.

Algoritmul este următorul:

1) Se realizează primul experiment într-un nod P0 din domeniul fezabil (punctul iniţial) care se
consideră primul punct origine;

2) Se stabilesc punctele diagonale punctului origine;

3) Se efectuează N = 2k experimente în punctele diagonale (plan factorial complet);

4) Dacă există un punct diagonal în care răspunsul este mai convenabil decât în punctul origine,
punctul respectiv devine noul punct origine al următoarei iteraţii şi se reia pasul 2 (punctul origine
curent glisează spre punctul diagonal);

5) Altfel, se stabilesc punctele axiale punctului origine;

6) Se efectuează N = 2k experimente în punctele axiale (plan factorial complet);

7) Dacă există un punct axial în care răspunsul este mai convenabil decât în punctul origine,
punctul respectiv devine noul punct origine al următoarei iteraţii şi se reia pasul 2 (punctul origine
curent glisează spre punctul axial);

8) Altfel, valoarea curentă a pasului s este decrementată cu 1, dacă acest lucru este posibil şi se
reia pasul 2.

Fig. 1. Ilustrarea grafică a aplicării algoritmului de optimizare prin glisări de planuri de

experimente.

2
 Toate planurile noi derivă din precedentele prin glisări pe direcţie diagonală sau axială cu
diferite valori ale pasului s.

Restricţiile de poziţie pot fi luate în considerare la stabilirea punctelor diagonale sau axiale. În
caz că acestea sunt încălcate de unul din punctele diagonale sau axiale, valoarea curentă a pasului s
este decrementată cu 1, dacă acest lucru este posibil şi algoritmul se reia.

Pasul s permite controlul vitezei algoritmului = viteza de glisare a planurilor în domeniul

fezabil în căutarea punctului optim. Un pas prea mare poate creşte viteza însă poate reduce
probabilitatea de a atinge punctul optim, de aceea este necesar un compromis în funcţie de situaţie.

Punctul forte al acestei variante este robusteţea prin simplitatea calculelor precum şi numărul
limitat de experimente necesar a fi efectuate la fiecare iteraţie mai ales pentru valori mici ale lui k.
Inconvenientele sunt legate de faptul că optimul găsit este unul local iar pentru k > 2 numărul de
experimente creşte vertiginos, nefiind posibile planuri economice (planuri factoriale fracţionare).

Criterii de stop
1) Pasul s devine 1 şi nu există niciun punct diagonal sau axial în care răspunsul este mai
convenabil decât în punctul origine curent. Criteriul este valabil pentru metoda de optimizare prin
glisări de planuri de experimente.

2) Eroarea specifică metodei, calculată ca raport dintre diferența valorilor extreme analizate la
ultima iterație şi diferența valorilor extreme cumulând şi iterațiile precedente, devine inferioară unui
nivel impus
f max  f min
  100 [%]   max . (1)
Fmax  Fmin
3) Eroarea relativă a valorii funcţiei obiectiv la ultima iteraţie (t), comparativ cu precedenta
iteraţie (m) cu valoare diferită (1 ≤ m ≤ t – 1), devine inferioară unui nivel impus

F (t )  F ( m )
F   100 [%]   F max
F (m) . (2)

Exemplul 1 Utilizând metoda de optimizare prin glisări de planuri de experimente, varianta

fără calcul de model, să se determine maximul local al funcţiei obiectiv ale cărei valori sunt generate
prin relaţia analitică :
2 1.6
F ( x, y )  
1  2  ( x  0.6)  1.5  ( y  0.4)
2 2
1  2  ( x  0.4) 2  1.5  ( y  0.3) 2
Factorii x şi y au aceleaşi limite de variaţie luând valori în intervalul [-1 ; 1]. Funcţia obiectiv F
comportă un maxim global şi un maxim local (funcţie multimodală) de coordonate XG =
= [0.5772 ; -0.3840]T respectiv Xg = [-0.3627 ; 0.2739]T cu valorile FG= 2.2673 respectiv Fg = 1.9378.
Nu este considerată nicio altă restricţie în afară de limitele de variaţie ale variabilelor.
Pentru k = 2 factori, fiecare iteraţie utilizează un plan experimental cu N = 2k = 4 puncte. Se
alege o grilă cu Nvx × Nvy = 41 × 41 (distanţa dintre două puncte axiale = 0.05). Pasul la debutul
algoritmului se consideră s = 2. Forma planului experimental este un pătrat cu latura 2·s·0.05= 0.2 iar
punctul iniţial poate fi P0 = [0; 0]T pentru determinarea maximului local.
3
4
5
 Datele corespunzătoare fiecărei iteraţii sunt trecute în Tabelul I (numărul total de puncte ale
planului Ntot, numărul de puncte ce pot fi folosite şi la alte iteraţii (puncte recuperate) Nrec, coordonatele
x şi y şi valoarea funcţiei F în punctului optim, valoarea pasului s, eroarea ε, eroarea εF):
TABEL I. Evoluţia procesului de optimizare.
Iteraţii Ntot Nrec x y F s ε [%] εF[%]
0 1 1 0.00 0.00 1.583 2 - -
1 4 1 -0.10 0.10 1.671 2 100.000 5.559
2 4 1 -0.20 0.20 1.811 2 87.925 8.378
3 4 2 -0.30 0.30 1.913 2 66.485 5.632
4 4 3 -0.30 0.30 1.913 2 43.597 5.632
5 4 4 -0.40 0.30 1.928 2 31.414 0.784
6 4 0 -0.40 0.30 1.928 2 38.482 0.784
7 4 0 -0.40 0.30 1.928 2 26.440 0.784
8 4 0 -0.35 0.25 1.935 1 15.424 0.363
9 4 0 -0.35 0.25 1.935 1 8.483 0.363
10 4 0 -0.35 0.25 1.935 1 5.141 0.363
TOTAL 41 12

Chestiuni de studiat
Utilizând metoda de optimizare bazată pe glisări de planuri de experimente, varianta fără calcul
de model, să se determine maximul global al funcţiei obiectiv de mai sus pornind de la punctul iniţial
P0 = [0.5; 0.5]T, cu pasul de debut s = 2.

6
 2) Varianta bazată pe modele polinomiale de ordinul I

La fiecare iterație se calculează un model polinomial care permite determinarea direcției celor
mai bune valori în funcție de care este stabilită poziția planului următor. Dacă se utilizează un model
polinomial de ordinul I fără interacţiuni, funcţia model se scrie:
 b1   x1   b1 
     
Ymod ( X )  b0  b1x1    bk xk  b0  ( x1  xk )      b0  X T  b, X    , b     (3)
b  x  b 
 k  k  k

Direcţia gradientului modelului (direcția celei mai abrupte variaţii) va fi direcția de glisare
pentru iterația următoare. Planurile utilizate trebuie să cuprindă un număr de experimente cel puțin egal
cu numărul de coeficienți bk, adică N ≥ k + 1 experimente. Se stabilesc structura şi dimensiunile
planurilor de experimente utilizate în corelație cu dimensiunile domeniului fezabil.

Strategia de glisare este următoarea: după determinarea direcției d a gradientului modelului

planului curent care trece prin centrul planului, se alege poziția noului plan, de aceeași dimensiune,
având centrul pe dreapta d şi o muchie comună (Fig. 2).

Fig. 2. Strategia de glisare pentru 2 parametri.

Daca la una din iterații răspunsul modelului în centrul planului este mai puțin satisfăcător decât
cel din iterația precedentă, atunci se reface iterația precedentă calculând un model polinomial de
ordinul 2 şi se determină calea optimală, reprezentând linia de creastă a modelului (Fig. 3).

Se reface şi iterația curentă însă pe un plan centrat în nodul cel mai apropiat de calea optimală,
calculând tot un model de ordinul 2 şi o nouă cale optimală (Fig. 4).

Intersecția celor două căi optimale poate oferi o soluție acceptabilă a problemei de optimizare
(Fig.5).

Fig. 3. Calea optimală 1. Fig. 4. Calea optimală 2. Fig. 5. Suprapunerea căilor optimale.

7
 Punctul forte al acestei variante este modelarea parţială a funcţiei de răspuns pe parcursul
optimizării, cu posibilitatea recuperării de puncte între planurile succesive, în funcţie de tipul de plan
utilizat. Inconvenientele sunt legate de gestionarea mai dificilă a punctelor de optim în vecinătatea
frontierei domeniului de studiu posibil iar optimul găsit este unul local.

Ca şi criterii de stop pot fi folosite eroarea specifică metodei şi eroarea relativă a valorii
funcţiei obiectiv, însă algoritmul se va opri după obţinerea punctului de intersecţie a căilor optimale.

Exemplul 2 Utilizând metoda de optimizare prin glisări de planuri de experimente, varianta

cu model polinomial de ordinul I, să se determine maximul global al funcţiei obiectiv din exemplul 1,
pornind de la punctul iniţial P0 = [0.5; 0.5]T.

8
9
10
11
12
13
14
 Chestiuni de studiat
Utilizând metoda de optimizare prin glisări de planuri de experimente, varianta cu model
polinomial de ordinul I, să se determine maximul local al funcţiei obiectiv din exemplul 1, pornind de
la punctul iniţial P0 = [-0.5; -0.5]T.

15
 3) Varianta bazată pe modele polinomiale de ordinul al II-lea

Dacă se utilizează un model polinomial de ordinul al II-lea, funcţia model se scrie:

 b11 b12 / 2  b1k / 2 
 x1   b1   
     b / 2 b22  b2 k / 2 
Ymod ( X )  b0  X T  b  X T  B  X , X    , b    , B   12 (4)
x  b      
 k  k  
b / 2 b / 2  bkk 
 1k 2k

Direcția de glisare pentru iterația următoare va fi spre unul din vârfurile planului / centrele
laturilor, cel mai apropiat de punctul de optim (staționar) al modelului, pe planul curent. Planurile
utilizate trebuie să cuprindă un număr de experimente cel puțin egal cu numărul de coeficienți bk, adică
N ≥ k + 1 experimente. Se stabilesc structura şi dimensiunile planurilor de experimente utilizate în
corelație cu dimensiunile domeniului fezabil.

Dacă se folosesc planuri Doehlert tip D-1, după determinarea punctului de optim (staționar) S al
modelului pe planul curent, se alege poziția noului plan, de aceeași dimensiune, având ca centru vârful
cel mai apropiat de punctul S. În acest mod se recuperează 4 puncte de la o iterație la alta (plan
economic) (Fig. 6).

Fig. 6. Strategia de glisare pentru 2 parametri.

Dacă la una din iterații punctul de optim al modelului S este obținut în interiorul planului
curent, atunci se determină calea optimală, reprezentând linia de creastă a modelului (Fig. 7).

Se efectuează încă o iterație şi se calculează o nouă cale optimală (Fig. 8).

Intersecția celor două căi optimale poate oferi o soluție acceptabilă a problemei de optimizare
(Fig.9).

Fig. 7. Calea optimală 1. Fig. 8. Calea optimală 2. Fig. 9. Suprapunerea căilor optimale.

16
 Algoritmul este următorul:
1) Se defineşte un punct origine P0 = (x1, …, xk )T în domeniul de studiu posibil
2) Se realizează un plan de N experimente centrat în P0, cu N > p = numărul de coeficienți ai
polinomului de ordinul II (Plan Doehlert tip D-1, N = 7 > p = 6)
3) Se calculează modelul polinomial de ordinul II asociat
4) Se determină punctul de optim (staționar) S al modelului pe planul curent
5) Se stabilește centrul noului plan în vârful cel mai apropiat de punctul S
6) Dacă punctul de optim nu se află în interiorul planului curent, se reia pasul 3 pentru noul
plan
7) Dacă punctul de optim se află în interiorul planului curent, se determină calea optimală pe
planul curent
8) Dacă nu s-au determinat încă doua căi optimale, se reia pasul 3 pentru noul plan
9) Dacă s-au determinat deja două căi optimale, se obține soluția problemei de optimizare prin
intersecția celor două căi optimale

Exemplul 3 Utilizând metoda de optimizare prin glisări de planuri de experimente, varianta

cu model polinomial de ordinul al II – lea, să se determine maximul global al funcţiei obiectiv din
exemplul 1, pornind de la punctul iniţial P0 = [0.5; 0.5]T.

17
18
19
20
21
22
23
24
25
 Chestiuni de studiat
Utilizând metoda de optimizare prin glisări de planuri de experimente, varianta cu model
polinomial de ordinul al II-lea, să se determine maximul local al funcţiei obiectiv din exemplul 1,
pornind de la punctul iniţial P0 = [-0.5; -0.5]T.

26