Stáhnout prezentaci
Prezentace se nahrává, počkejte prosím
ZveřejnilRadka Bláhová
1
Optimalizace versus simulace 9.přednáška
2
Obecně o optimalizaci Maximalizovat nebo minimalizovat omezujících podmínkách. Maximalizovat nebo minimalizovat určité kritérium v závislosti na daných omezujících podmínkách. výpočtem Hodnota proměnných je získána výpočtem – např.pomocí Simplexové metody, metody větví a mezí, metody na minimalizaci zásob… Výpočet je proveden pouze jednou pro danou úroveň vstupů
3
Optimalizace pomocí simulace náhodné veličiny Vyskytují se náhodné veličiny – nelze použít výpočet spustit simulaci několikrát Pro odhad proměnných je nutné spustit simulaci několikrát omezený počet variant Lze prozkoumat pouze omezený počet variant Neexistuje přesně definované jednoznačné řešení
4
Základní pojmy Faktory = vstupní proměnné 1. Kvalitativní 2. Kvantitativní Odezvy = výstupní proměnné
5
1. Kvalitativní faktory Řád fronty FIFO(fronta), LIFO(zásobník), SIRO (náhodně), PRI (dle priorit) Typ rozdělení Exponenciální, normální, rovnoměrné, … Pravidla pro pohyb entit Rozdělení dle procent, dle typu entity, …
6
2. Kvantitativní faktory a) Diskrétní Počet obslužných zařízení Kapacita fronty Počet příchozích požadavků za čas.jednotku b) Spojité Průměrná délka obsluhy Intervaly mezi příchody Doba bezporuchového provozu
7
Nalezení „optima“ při malém počtu variant málo vstupních faktorů Malý počet variant = málo vstupních faktorů, každý z nich má jen několik různých úrovní Lze provést simulační běhy pro každou variantu zvlášť Dle zkoumaných proměnných srovnat výsledky a navrhnout optimální variantu
8
Nalezení „optima“ při velkém počtu variant mnoho faktorů Velký počet variant = mnoho faktorů či u každého faktoru mnoho úrovní Nelze prozkoumat všechny variantyMožnosti: Pomocí experimentu Monte Carlo Metoda Friedmana a Savage Metoda RSM, další heuristické m.
9
Experiment Monte Carlo Numerické řešení pomocí několikrát opakovaných náhodných pokusů (např. Buffonova úloha) Postup při velkém počtu variant: 1. Vygeneruj variantu 2. Proveď několik simulačních běhů 3. Srovnej výsledky - pokud jsou lepší než předešlé, ulož nové a označ variantu jako nejvhodnější 4. Postup opakuj dokud nebyl prozkoumán požadovaný počet variant nebo dokud nebyla dosažena přijatelná úroveň výsledků
10
Metoda Friedmana a Savage Postup: Všechny proměnné x 2 … x N se zafixují na zvolených hodnotách Nezafixovaná proměnná x 1 se mění po intervalech zvolené délky, dokud není nalezeno optimální řešení Poté je x 1 zafixována, mění se x 2 a hledá se lepší řešení …atd.
11
Metoda RSM RSM = Response Surface Method, metoda plochy odezvy Předpokládá, že existuje vzájemný vztah mezi odezvou (závislá proměnná) a faktorem (nezávislá proměnná) Tento vztah lze zobecnit pomocí regresního metamodelu
12
Metoda RSM Postup: Zvolíme výchozí řešení (případně opakovaně) Prohledáme okolí nynějšího řešení pomocí regresního metamodelu (polynom 1.řádu, tj. jen lineární závislost) - na základě více simulačních běhů, proložení přímkou Přesuneme se na nové řešení Postup opakujeme, zvyšujeme řád polynomu Problémem je stanovení délky kroku Viz např. http://www.me.mtu.edu/~jwsuther/doe2005/notes/doe_ch14.pdf http://www.me.mtu.edu/~jwsuther/doe2005/notes/doe_ch14.pdf
13
Další heuristické metody Další metody pro optimalizaci: Horolezecký algoritmus (Hill Climbing) Simulované žíhání (Simulated Annealing) Tabu search Genetické algoritmy Neuronové sítě ……
Podobné prezentace
© 2024 SlidePlayer.cz Inc.
All rights reserved.