WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 ||

«1 Московский государственный институт стали и сплавов (технологический университет) На правах рукописи Калашников Александр Евгеньевич ДИАЛОГОВАЯ СИСТЕМА МНОГОКРИТЕРИАЛЬНОЙ ОПТИМИЗАЦИИ ...»

-- [ Страница 2 ] --

81 20. Отобразить m N + l N вершин с. В отображаемые вершины не включать исключенные вершины. Построить комплекс S N +1. 21. Перейти к п. 7. 22. Если F * (( x N +1 )) > F * ( x N ), то принять комплекс S N +1 за комплекс S N +1. 23. N = N + 1 24. Перейти к п. 4. 25. Поиск прекратить. Запомнить вершину с максимальным значением функции качества F (x). 2.5. Диалоговый алгоритм с накоплением информации Одной и особенностей многих технологий является погрешности измерений [18, 20, 21, 35]. Условно погрешности можно разделить на 2 типа: 1. Погрешности между заданными параметрами технологического процесса и фактически полученными, обусловленные невозможностью абсолютно точно контролировать все параметры процесса. Например, разница в заданной концентрации газа и фактически полученной по показаниям датчиков. Или аналогичный пример с температурой. 2. Погрешности измерения, вызванные неточностью измерительного оборудования. Оба типа помех отрицательно сказываются на возможности оптимизации процесса. И чем они меньше, тем больше вероятность успешной настройки параметров процесса. Описанный выше диалоговый алгоритм с деформируемыми комплексами неплохо справляется с помехами второго типа, что будет показано в следующей главе. Однако если помехи второго типа являются безусловно вредными для процесса оптимизации, то помехи второго типа при некоторых условиях можно попытаться полезно использовать. Условиями для использования такого подхода являются задачи оптимизации таких технологических процессов, в которых относительные величины погрешностей первого типа существенно превышают погрешности второго типа. То есть в ситуации, когда управляющие параметры невозможно точно задать, однако после окончания технологического цикла можно с достаточной точностью определить полученные настройки. Идея диалогового алгоритма с накоплением информации следующая. Начальной точкой поиска является значения параметров существующей отлаженной технологии. После некоторого числа запусков технологического процесса вокруг начальной точки накапливаются точки, смещенные от начальной на некоторую случайную величину погрешности по 82 каждой из координат. Каждая из полученных точек имеет свое значение локальных критериев качества. В качестве начальной группы точек можно использовать данные по запускам технологического процесса до начало оптимизации. Полученные точки, также как и в случае алгоритма с деформируемыми комплексами, делятся технологом на 3 группы из «плохих», «средних» и «хороших». Затем «средние» точки отбрасываются, и строится направление из центра «плохих» точек к центру «хороших». Вдоль полученного направления осуществляется пробный шаг и строится новая точка. Если в новой точке получено увеличение значения функции качества, то полученная точка становится новой базовой. Также в этом случае можно попытаться увеличить длину шага. В противном случае длина шага уменьшается. Вокруг новой точки накапливается информация. После накопления набор точек, состоящих их «хороших» с предыдущего шага и новых, полученных вокруг базовой, снова делится на группы из «плохих», «средних» и «хороших», и шаг повторяется. Останов происходит, когда длина шага не превышает погрешности измерения заданных параметров или технолог удовлетворен полученным результатом. Особо стоит отметить, что весь процесс оптимизации может проходить в штатном режиме для процесса, за исключением пробных шагов. Таким образом, практически всю продукцию можно реализовывать, кроме брака, который возможно получить в результате неудачной адаптации. Можно предположить, что по эффективности предложенный алгоритм будет находиться между методами деформируемых конфигураций и методом простого градиента [30, 31] и случайного поиска. Более того, можно комбинировать данный алгоритм с рассмотренным выше, что и будет в дальнейшем показано в главе 5. В частности, можно пользоваться данным алгоритмом при совершении первого шага из начальной точки, или для выбора направления смещения центра комплекса.

2.5.1. Двумерный случай Рассмотрим наглядное представление возможностей предлагаемого алгоритма в случае n = 2. На каждой итерации вокруг начальной точки происходит накопление информации за счет случайных отклонений от заданных параметров по каждой из координат x1 и x2. Полученные таким образом вершины x N, i ( i = 1,..., k ), k n + 1 образуют конфигурацию S N. Вершины конфигурации x 1, i ( i = 1,..., k )делятся на m «плохих» (им присваиваются номера вершин от 1 до m ), l «средних» (номера вершин от m + 1 до m + l ) и k m l «хо 83 роших» (номера вершин от m + l + 1 до k ), на основе субъективного представления о качестве вершин ЛПР. Затем «средние» вершины отбрасываются, и строится направление из центра «плохих» вершин к центру «хороших». Вдоль полученного направления осуществляется шаг и строится новая точка. Вокруг новой точки накапливается информация. После накопления, принимается решение о включении в конфигурацию «хороших» вершин с предыдущего шага и новых, полученных вокруг базовой, после чего шаг повторяется На рис. 2.6 изображена конфигурация, состоящая из 11 вершин. Прямоугольниками отмечены «плохие» вершины, треугольниками «средние», кругами – «хорошие». Центры «плохих» и «хороших» вершин обозначены пунктирной окружностью, направление, в котором осуществляется шаг – стрелкой. Возможные варианты длины шага отмечены цифрами 1, 2, 3, 4, 5.

Рис. 2.6. Направление и длина шага Решение об исключении «хороших» вершин из конфигурации предыдущего шага принимается в случае невозможности совершить шаг, приводящий к улучшению значения функции в новом центре. Вторым вариантом может служить подход, основанный на пробе обоих направлений и выборе лучшего. На рис. 2.7 изображена ситуация, когда «хорошие» вершины предыдущей конфигурации способствовали чрезмерному вытягиванию конфигурации вдоль направления поиска из-за большой длины шага. Неудачное направление изображено пунктирной линией. После удаления вершин, оставшихся с прошлого шага и нового разбиения вершин на группы удалось совершить шаг в новом направлении.

Рис. 2.7. Выбор направления Вытягивание конфигурации вдоль направления поиска может быть вредным в случае изменения направления поверхности отклика оптимизируемой функции, или в случае, когда направление поиска сильно отличается от градиента функции. Возникновение такой ситуации тем вероятнее, чем меньше точек имеет конфигурация. Учитывая случайную природу отклонений, вероятность получить направление поиска, близкое к градиенту функции в области конфигурации растет вместе с числом входящих в нее вершин. На рис. 2.8 представлены примеры конфигураций, состоящих из 4 и 11 точек соответственно.

Рис. 2.8. Зависимость эффективности алгоритма от числа вершин в конфигурации В качестве иллюстрации поведения алгоритма на реальной задаче на рис. 2.9 приве2 дена траектория поиска экстремума функции f ( x) = x12 + x 2 диалоговым алгоритмом.

2 Рис. 2.9. Пример работы алгоритма на функции f ( x) = x12 + x На первом шаге вокруг начальной точки x 0 (отмечена крестом) накоплена конфигурация, состоящая из вершин 1, 2, 3, 4, 5, 6 и точки x 0. Вершины 1, 6 отнесены к «плохим»;

2, 5 и x 0 – к «средним»;

3, 4 – к «хорошим». Пунктирной окружностью на рисунке выделены центры «плохих» и «хороших» вершин на каждом шаге. Вдоль направления от плохих точек к хорошим сделан пробный шаг, который оказался успешным. Длина шага увеличена вдвое, сделан второй пробный шаг, также успешный, и его результат принят за новую начальную точку x 1. На втором шаге конфигурация состояла из вершин 3, 4 – «хороших» из конфигурации первого шага, вершин 7, 8, 9, 10, 11, 12, полученных вокруг вершины x 1. Вершина 10 стала «хорошей», вершины 3, 4 – «плохими», остальные – «средними». Удачным стал шаг с 86 коэффициентом длины шага, равным единице. Получена новая точка x 2. После неудачной попытки адаптации в направлении, отмеченном на рисунке пунктирной линией, из конфигурации на третьем шаге исключена вершина 10, спровоцировавшая чрезмерное вытягивание конфигурации вдоль направления предыдущего шага. Конфигурация состояла из «плохой» вершины 18, «средних» вершин 13, 17, x 2 и «хороших» 14, 15, 16. После этого выполнен успешный шаг, вплотную приблизивший поиск в область экстремума. За три шага сделано 26 вычислений функции, из них только 9 в реальных условиях потребовали бы переналадки технологического процесса, остальные получены в результате случайных отклонений от заданных параметров.

2.5.2. Общий вид Опишем формально алгоритм в n -мерном случае. Для обозначения группы точек, участвующих в каждом из шагов будем использовать термин «конфигурация». В качестве начальной конфигурации S 1 используются точки, полученные вокруг начальной из-за случайных отклонений, вызванных погрешностями управления, или искусственно. В качестве вариантов начальной конфигурации можно предложить набор параметров процесса, накопленный технологом до начала оптимизации, конфигурацию с любого шага алгоритма с деформируемыми комплексами или созданную вокруг начальной точки гиперсферу. Конфигурация S N на каждом шаге должна состоять из k n + 1 вершин x N, i ( i = 1,..., k ), причем, учитывая случайное смещение вершин по координатам, k может быть много больше n. В случае, если k n, поиск автоматически происходит в подпространстве размера меньше n. Учитывая случайную природу отклонений, на каждой итерации подпространство будет своим. Вершины конфигурации x 1, i ( i = 1,..., k )делятся на m «плохих» (им присваиваются номера вершин от 1 до m ), l «средних» (номера вершин от m + 1 до m + l ) и k m l «хороших» (номера вершин от m + l + 1 до k ), на основе субъективного представления о качестве вершин ЛПР. Затем «средние» вершины отбрасываются, и строится направление из центра «плохих» вершин к центру «хороших». Вдоль полученного направления осуществляется шаг и строится новая точка. Вокруг новой точки накапливается информация. После накопления, принимается решение о включении в конфигурацию «хороших» вершин с предыдущего шага и новых, полученных вокруг базовой, после чего шаг повторяется. Такова общая схема алгоритма.

87 Останов происходит, когда длина шага не превышает погрешности измерения заданных параметров или технолог удовлетворен полученным результатом. Для построения алгоритма нужно, прежде всего, определить правила отображения конфигурации и ввести критерии локальной оптимальности. Координаты новой начальной точки будем вычислять по формулам:

1 m N, i x, m i = x1N = N x2 = k 1 l +x N, i, k m l i =m+ (85) N N x N +1 = x 2 + ( x 2 x1N ), [1, ) где x N, i – вершины конфигурации S N ;

– параметр, влияющий на длину шага;

x1N – координаты центра группы «плохих» точек;

N x 2 – координаты центра группы «хороших» точек.

По сравнению с алгоритмом с деформируемыми комплексами, здесь параметр имеет несколько другой ряд предлагаемых значений, в остальном его свойства аналогичны. Проверка успешности шага осуществляется аналогично алгоритму с деформируемыми комплексами. Условием успешности шага будем считать улучшение качества решения в новом центре конфигурации по сравнению с лучшим на предыдущем шаге (83). Для обеспечения выполнения условия (83) на каждой N -й итерации выбирается = (например, = 1 ), оценивается значение f * ( x N +1 ) и проверяется выполнение (83).

Если неравенство (83) выполнено, то делается попытка совершить шаг с = > (например, = 2 ) и выбирается шаг, приводящий к большему уменьшению значения функции. Если шаг с = не привел к выполнению условия (83), то выбирается = < (например, = 0.5, а затем = 0.5 ), приводящее к выполнению неравенства (83). Останов происходит, когда длина шага не превышает погрешности измерения заданных параметров или технолог удовлетворен полученным результатом. Формальное описание алгоритма таково: 1. Задать начальную точку x N R n, N = 1.

88 2. Вокруг начальной точки x N сконструировать конфигурацию S N. 3. Вычислить значения локальных критериев f q, i = 1, p в каждой из вершин x N,i. 4. Пользователь делит вершины на группы из m «плохих», l «средних» и k m l «хороших». 5. =. 6. Получить новую начальную точку x N +1 по формулам (85). 7. Вычислить значения локальных критериев качества f q, i = 1, p в новой вершине x N +. 8. Пользователь сравнивает значения функции качества в вершинах x N, i и x N +1. Ес ли, по мнению проектировщика, F ( x N +1) > F ( x N,i ), i = 1, k, перейти к п. 13, иначе к п. 9. 9. Если =, то за x N принимается значение x N +1, полученное по формулам (85) при =. N = N + 1. Переход к п. 2, иначе к п. 10. 10. Если =, то = ;

если =, то = 0.5 ;

если,, то = / 2.

11. Проверить правило останова. Если условие выполняется, алгоритм останавливается, Переход к п. 15. 12. переход к п. 6. 13. Если =, то =, переход к п. 6., иначе п. 14. 14. Если, то x N = x N +1, N = N + 1. Переход к п. 2. 15. Останов. За результат оптимизации принимается либо лучшая вершина на последнем шаге, либо средняя из группы «хороших» вершин.

2.6. Использование предложенных диалоговых алгоритмов Оба алгоритма можно использовать независимо друг от друга, однако наиболее сильные результаты могут быть получены при умелом их комбинировании. Сильной стороной первого алгоритма является хорошая сходимость, быстрое накрытие экстремума за малое число шагов и адаптация под топологию оптимизируемой функции в процессе поиска. Этот алгоритм позволяет опытному специалисту контролировать процесс поиска. Из недостатков следует отметить сложность для неспециалиста и необходимость вычисления значения функции качества в каждой из вершин, а также в вершинах, используемых в процессе адаптации. Впрочем, второе является недостатком всех методов прямого поиска, однако при оптимизации сложных технологических процессов каждая переналадка – потерянное время и, 89 возможно, полученный в результате брак. И первый алгоритм выгодно отличается среди существующих методов прямого поиска по числу необходимых вычислений в процессе оптимизации. Второй алгоритм с накоплением информации имеет, теоретически, несколько меньшую скорость сходимости из-за элементов случайности в процессе поиска. Однако этот алгоритм позволяет использовать «паразитную» информацию, которая только мешала алгоритму с деформируемыми комплексами. Более того, данный алгоритм позволяет проводить оптимизацию процессов, на которых применение алгоритма с деформируемыми комплексами практически невозможно. Алгоритм с накоплением информации требует большее количество вычислений функции качества в общем и на каждом шаге, однако во время накопления информации переналадка технологического процесса не требуется, что является несомненным плюсом, позволяя производить товарную продукцию в процессе оптимизации. Задачей специалиста при оптимизации технологического процесса будет умелое комбинирование двух предложенных алгоритмов в зависимости от особенностей процесса и поставленных целей оптимизации. Предложенные диалоговые алгоритмы многокритериальной оптимизации не являются догмой. На основе существующих подходов к оптимизации, основанных на методах прямого поиска в работе были созданы наиболее мощные и универсальные алгоритмы, ориентированные на решение предполагаемого круга задач. Предложенные алгоритмы в результате адаптации к специфическому технологическому процессу могут быть модернизированы, созданы новые или использованы подходящие из существующих на сегодняшний день.

Выводы к главе 1. Выделены особенности технологических процессов, позволяющие решать задачу их оптимизации как экстремальную. 2. Сформулирована постановка задачи многокритериальной оптимизации технологических процессов, обладающих выделенными особенностями. 3. Определены критерии оценки свойств методов оптимизации, проведено исследование локальных свойств известных методов прямого поиска и выбран класс методов деформируемых конфигураций для решения задачи многокритериальной оптимизации технологических процессов.

90 4. Предложен подход, позволяющий преодолеть многокритериальность задачи и возможную нечисловую природу функции качества путем использования информации о предпочтениях технолога. 5. Разработан диалоговый алгоритм многокритериальной оптимизации с деформируемыми комплексами. 6. Разработан диалоговый алгоритм многокритериальной оптимизации с накоплением информации.

ГЛАВА 3. ИССЛЕДОВАНИЕ СВОЙСТВ АЛГОРИТМОВ Цель оптимизации в случае решения задачи оптимизации технологических процессов заключается в максимально быстром достижении области максимального значения функции качества F(x). Исторически методы оптимизации создавались для нахождения минимума функции, поэтому в литературе в основном встречается практика исследований эффективности поиска минимума функций. На самом деле не важно, что искать, максимум функции F(x) или минимум функции – F(x). Однако, чтобы не отходить от общепринятой практики в данной главе мы будем исследовать возможности алгоритма в поиске минимума известных тест-функций. Результат минимизации зависит от ряда факторов: вида оптимизируемой функции, наличия ограничений на область допустимых значений независимых переменных, доступной информации о минимизируемой функции и, конечно, от применяемого метода оптимизации. Для установления работоспособности метода оптимизации естественным представляется проведение вычислительного эксперимента, в котором будут учтены различные факторы, влияющие на результат оптимизации. В ходе такого эксперимента можно испытать различные методы оптимизации в одинаковых стандартных условиях и получить представление о сравнительных характеристиках этих методов. Следует отметить, что сравнение между собой нескольких методов оптимизации по результатам вычислительного эксперимента обычно не приводит к однозначным выводам о превосходстве одного метода над другими. Дело в том, что сравнению подвергаются не методы, а программные реализации соответствующих алгоритмов. Хороший метод можно испортить неудачным программированием, плохим выбором параметров алгоритма. Методы оптимизации могут вести себя по-разному на разных этапах минимизации. Например, один метод эффективен при минимизации квадратичных функций, а другой – при минимизации функции с острым оврагом. Одним из основных аспектов, по которому сравниваются методы, является используемая информация. Исследуются методы прямого поиска, поэтому естественными критериями сравнения будут число шагов, число измерений значений функции и достигнутая точность решения задачи минимизации. Данная глава посвящена вычислительному эксперименту, проведенному с использованием разработанных диалоговых алгоритмов и других известных методов оптимизации.

92 Первая часть методики проведения вычислительного эксперимента совпадает с методикой, предложенной Бруксом [68]. Результаты применения методов факторного эксперимента, Гаусса-Зайделя, наискорейшего спуска, случайного выбора, приведенные в [13], сравниваются с результатами применения разработанных алгоритмов. Далее проведено исследование помехоустойчивости диалогового алгоритма при минимизации линейных функций разной размерности и ошибках в измерении значений функции с дисперсией разной величины. В заключительной части описано испытание алгоритма при минимизации различных тест-функций размерности от двух до двадцати. Для исследования свойств диалогового многокритериального алгоритма использовалась система DCM [43], созданная под руководством проф. А.С. Рыкова Вячеславом Лановцом и Михаилом Матвиенко (см. рис. 2.2).

3.1. Методика проведения вычислительного эксперимента Каждый метод оптимизации используется для минимизации четырех тест-функций в ограниченной области допустимых значений и при ограниченном числе измерений значений минимизируемой функции, равном тридцати измерениям. Рассмотрим четыре двумерные тест-функции:

4 4 f 1 = (0,5 + 0,5 x1 ) 4 x 2 exp[2 (0,5 + 0,5 x1 ) 4 x 2 ], (86) f 2 = (0,3 + 0,4 x1 + 0,3x 2 ) 4 (0,8 0,6 x1 + 0,8 x 2 ) 4 exp[2 (0,3 + 0,4 x1 + 0,3x 2 ) 4 (0,8 0,6 x1 + 0,8 x 2 ) 4 ], f 3 = x12 exp[1 x12 20,25( x1 x2 ) 2 ], 2 2 f 4 = (0,3 x12 + 0,7 x2 ) exp[1 0,6( x1 x2 ) 2 (0,3 x12 + 0,7 x2 ) 3 ].

(87) (88) (89) Линии уровня функции f1 близки к эллипсам с главными осями, параллельными координатным осям. Поверхность отклика f2 получена из поверхности отклика f1 поворотом главных осей эллипсов на угол, примерно равный 37 °. Поверхности откликов f3 и f4 имеют острые овраги;

у f4 овраг криволинейный. У всех рассматриваемых функций единственное минимальное значение, равное минус единице, расположено в точке (1, 1).

93 Минимизация каждой из четырех тест-функций проводится в девяти различных областях допустимых значений независимых переменных, имеющих вид квадрата со стороной, равной единице. Такая форма области допустимых значений выбрана из-за того, что, вопервых, на практике область изменения независимых переменных часто задается в виде диапазона и, во-вторых, для того, чтобы независимые переменные оказались в равном положении. Квадратные области выбраны так, чтобы экстремальная точка располагалась в районе каждого из четырех углов, у середин сторон и в центре квадрата. Таким образом, учитываются все возможные варианты расположения экстремума. Точное расположение экстремальной точки в каждой из девяти ситуаций определим случайным образом, так как на практике возможно любое расположение экстремума. При решении практических задач оптимизации на число измерений значений функции обычно накладывается ограничение. Из этих соображений число измерений значений функции выбрано равным 30, что соответствует реальным затратам на измерения во многих задачах [68]. Успешность применения конкретного метода оптимизации при ограниченных экспериментальных затратах оценивается по величине полученного значения функций. Учитывая это, за критерий эффективности метода оптимизации принимается величина функции, полученная для данного метода за 30 измерений. Для оценки эффективности метода используется обобщенный критерий fср, получаемый путем усреднения всех значений различных функций, достигнутых во всех экспериментальных ситуациях при различных расположениях экстремума.

3.1.1. Методы прямого поиска Раздел посвящен описанию методов факторного эксперимента, Гаусса-Зайделя, крутого восхождения и результатам испытания этих методов [68]. Методы прямого поиска и управляемого прямого поиска применялись для поиска минимума четырех функций по методике, описанной выше. Применялось два вида факторных экспериментов (5x6 и 6x5) для того, чтобы исключить влияние асимметричности планирования [26]. Результат оптимизации оценивался по комбинации независимых переменных, при которой получалось минимальное значение для каждой из тест-функций. Средние значения для каждой из тест-функций приведены в табл. 3.1. Более подробно результаты моделирования описаны в [68].

94 При применении метода Гаусса-Зайделя [68] проводилось три цикла итераций с пятью измерениями значений функции в каждом одномерном поиске. На первой итерации проводилось пять измерений при фиксированном значении первой переменной x1 и пяти значениях другой переменной с равными интервалами между соседними значениями. По результатам измерений значений функции строится кривая четвертого порядка и определяется минимальное значение этой кривой при некотором x2.Затем при найденном значении x2 производится пять измерений функции при различных равноотстоящих значениях x1. Снова строится кривая четвертого порядка и определяется минимизирующее значение x1. На втором цикле оптимизации интервал изменения переменных выбирается в зави симости от близости x1 к x1. Величина интервала L определяется из соотношения L = 1,5 x1 x1 + 0,25.

(90) Фиксируется значение x2 и проводится еще пять измерений значений функции с интервалом для x1 выбранным по формуле (90). Вновь строится кривая четвертого порядка и определяется минимальное значение x 1. Затем производятся измерения значений функции при изменении другой переменной с интервалом изменения типа (90). Третий цикл аналогичен второму. Результаты применения метода приведены в табл. 3.1. Рассматривался метод скорейшего спуска с заранее выбранным шагом [68]. Центр плана 2x2 помещается в центр экспериментальной области и по результатам измерений оценивается градиент. В антиградиентном направлении производится серия шагов фиксированной величины. Шаги производятся до тех пор, пока получаемые значения функции не станут меньше среднего значения функции в плане 2x2 или не будет достигнута граница области. Затем ставится новая серия экспериментов 2x2 и делается шаг меньшего размера, чем предыдущий в антиградиентном направлении и т.д., пока не использованы все измерения. Результаты минимизации тест-функций данным методом приведены в табл. 3.1. Проводилась минимизация четырех тест-функций методом распределенного случайного выбора [68]. По правилам метода экспериментальная область разделяется на подобласти регулярной решеткой. Эти прямоугольные подобласти одинакового размера и их количество соответствует числу измерений. Само измерение значения функции производится в случайно выбранной точке внутри подобласти. Область эксперимента делится 5x6 и 6x5. Оценкой оптимального значения функции является наименьшее измеренное значение функции. Результаты применения метода приведены в табл. 3.1.

95 Для тех же тест-функций проведено испытание разработанных диалоговых алгоритмов прямого поиска. Отметим, что специального выбора параметров алгоритмов для улучшения результатов не проводилось. При минимизации каждой из тест-функций правильный начальный комплекс располагался в центре экспериментальной области, радиус описанной окружности начального комплекса равнялся 0,25. На каждом шаге проверялось условие успешности шага при е = 0, т.е. проводилась проверка оценки уменьшения значения функции в центре комплекса путем усреднения значений функции в вершинах симплекса. При неудачном шаге размер комплекса уменьшается вдвое за счет использования в соответствующем отображении коэффициентов а = 1,5, а = 0,5, а = а/2,0.

Таблица 3.1 Результаты оптимизации четырех тест-функций за 30 измерений Результаты оптимизаций Алгоритм оптимизации f1 Алгоритм с деформируемыми комплексами, отображение 1 Алгоритм с деформируемыми комплексами, отображение 2 Алгоритм с накоплением Факторный эксперимент Метод Гаусса-Зайделя Метод скорейшего спуска Метод случайного выбора – 0,99 – 1,00 – 0,99 – 0,97 – 1,00 – 0,99 – 0,97 f2 – 0,99 – 0,98 – 0,99 – 0,98 – 1,00 – 1,00 – 0,96 Функция f3 – 0,98 – 0,99 – 0,92 – 0,92 – 0,94 – 0,97 – 0,93 f4 – 0,98 – 0,99 – 0,97 – 0,98 – 1,00 – 0,99 – 0,97 fср – 0,985 – 0,990 – 0,968 – 0,962 – 0,985 – 0,987 – 0, Рассмотрим полученные результаты. При минимизации функции f1 с линиями уровня типа эллипсов, практически все методы дали хорошие результаты, близкие к минус единице. Среди методов, давших наихудшие результаты, выделим метод случайного выбора, факторный эксперимент. Функция f2 отличается от функции f1 поворотом главных осей на угол около 37 °. Такое изменение функции не привело к сильным изменениям результатов применения методов. Наихудшие результаты дал метод случайного выбора. Остальные методы дали хорошие результаты и успешно определили минимум функции f2.

96 Функция f3, обладающая острым оврагом, оказалась сложной для многих методов, и достигнутые минимальные значения функции заметно больше, чем для функций f1 и f2. Наиболее чувствительными к острому оврагу оказались методы, факторного эксперимента, случайного выбора, Гаусса-Зайделя. Наилучшие результаты дал алгоритм с деформируемыми комплексами с отображениями 1, 2. Данный результат можно объяснить успешной адаптацией формы комплекса при этих отображениях к форме прямого острого оврага. В случае функции f4 с изогнутым оврагом большинство методов, за исключением симплексного метода с отображением одной вершины и сохранением правильности симплекса, привели к хорошим результатам, которые не слишком сильно отличаются для разных методов. Рассматривая обобщенные характеристики методов fср, полученные для всех четырех тест-функций, можно выделить всего несколько методов, давших худшие результаты по сравнению с другими. Это методы случайного выбора и факторного эксперимента. Остальные методы дали очень высокие результаты. Данный вычислительный эксперимент подтвердил работоспособность диалоговых алгоритмов, которые по своим характеристикам превосходят другие методы поиска. Следует еще раз подчеркнуть, что для разработанных алгоритмов не проводился специальный подбор параметров с целью улучшения результатов. Специальный выбор параметров может повысить характеристики методов. Например, симплексный метод с отображением одной вершины и сохранением правильности при специальном выборе параметров дал более высокие результаты [13]. На наш взгляд, слишком низкая размерность задачи (n = 2) не позволяет по данной методике выявить все вычислительные свойства методов прямого поиска. К сожалению, в литературе практически отсутствуют данные по проверке работоспособности методов прямого поиска на задачах высокой размерности. В заключение приведем данные по минимизации функции Розенброка [83] 2 f ( x ) = 100 ( x 2 x 1 ) 2 + (1 x 1 ) 2, (91) методами управляемого прямого поиска (табл. 3.2). Методы имеют те же параметры, что и при моделировании по методике Брукса. Функция Розенброка имеет минимум, равный нулю в точке (1;

1). Начальная точка (центр исходной конфигурации) имела координаты (-1,2;

1). Функция Розенброка является невыпуклой функцией с острым параболическим оврагом.

97 Для методов типа Гаусса-Зайделя достичь области минимума функции за разумное число измерений (порядка нескольких десятков тысяч измерений) не удается.

Таблица 3.2 Минимизация функции Розенброка Название метода Алгоритм с деформируемыми комплексами, отображение 1 Алгоритм с деформируемыми комплексами, отображение 2 Алгоритм с накоплением Нелдер-Мид Случайный поиск Пауэлл Число вычислений функции 201 Число шагов (этапов) 72 Значение функции 0, 200 203 201 200 65 58 81 – 0,19 1,84 1,92 2,71 0, Из результатов, приведенных в табл. 3.2, видно, что многие методы без специального подбора параметров за малое число шагов приводят в область минимума функции. Отметим, что специальный выбор параметров метода позволяет получать значение функции fR порядка 10–8 за 200 измерений значений функции [29]. Приведенные результаты дополнительно подтверждают работоспособность разработанных диалоговых алгоритмов при минимизации сложных функций низкой размерности.

3.2. Исследование помехоустойчивости диалогового алгоритма При оптимизации технологических процессов, представленных в виде «черного ящика», немаловажную роль имеет точность измерения значения функции качества полученного изделия. При измерении свойств полученного изделия неизбежно возникают неточности, связанные как с погрешностью измерений, так и с человеческим фактором. Таким образом, важной характеристикой используемого алгоритма будет его помехоустойчивость.

98 3.2.1. Виды помех Рассматриваемые алгоритмы ориентированы, в основном, на решение задач экспериментальной оптимизации. Информация о поведении оптимизируемой функции поступает в виде значений функции, полученных в результате измерений. Естественно, что эти измерения сопровождаются случайными ошибками и погрешностями. Даже в таком простом случае, когда оптимизируемая функция задана в виде формул, возникают ошибки из-за погрешностей вычислений, определяемых конечной точностью ЭВМ и ошибками округлений. Другой источник ошибок в рассматриваемом случае связан с неточностью или приблизительностью формул, по которым вычисляются значения функции. В этом случае помехи имеют детерминированный характер. При оптимизации реальных объектов информация о значениях оптимизируемой функции поступает в результате измерений. Помехи в этом случае имеют случайный характер, и часто имеется информация об уровне и статистической природе помех. Все помехи можно грубо разбить на четыре класса [50]. Пусть в некоторой точке x N измеряется значение функции f (x) с ошибкой N, т. е. в результате измерения имеем:

y( x N ) = f ( x N ) + N.

(92) 1. Абсолютные детерминированные помехи. Данные помехи удовлетворяют условию:

N, где – положительная константа, определяющая максимальный уровень помех.

(93) Другие предположения о свойствах помех данного класса не выдвигаются. Абсолютные детерминированные помехи характерны при систематических ошибках измерений и при погрешностях вычислений. 2. Относительные детерминированные помехи. Для этих помех выполняется условие:

N ( f ( x N ) f min ), (94) 99 где – положительная константа.

Значения функции определяются с относительной ошибкой, убывающей по мере приближения к экстремуму. Данный класс помех возникает при использовании формул с относительными погрешностями. 3. Абсолютные случайные помехи. Данные помехи случайны, независимы, центрированы, и их дисперсия ограничена:

2 M N = 0, M N 2, (95) где – максимальная дисперсия. Этот тип помех характерен для измерений на реальном объекте.

4. Относительные случайные помехи. Помехи этого типа удовлетворяют условиям случайности, независимости, центрированности, и их дисперсия убывает при приближении к экстремуму:

2 M N = 0, M N ( f ( x N ) f min ).

(96) Наиболее сложными и распространенными являются помехи первого и третьего типов. В случае помех второго и четвертого типов точность измерений при приближении к экстремуму повышается и в области экстремума значениями ошибок иногда можно пренебречь. Поэтому основное внимание при изучении влияния помех на свойства процесса поиска уделим случаям 1 и 3.

3.2.2. Методика исследования Для выявления свойств диалогового алгоритма при наличии случайных ошибок в измерениях значений оптимизируемой функции была выбрана следующая методика проведения вычислительного эксперимента [50]. Минимизировалась линейная функция f(x) = – x. (97) 100 Размерность пространства n, в котором осуществлялся поиск минимума, изменялась от двух до двадцати и принимала значения п = 2, 3, 4, 5, 10, 15, 20. Значения оптимизируемой функции определялись со случайными ошибками y(x) = y(x) +. где (98) – случайная ошибка, имеющая нормальное распределение с нулевым математическим ожиданием и средним квадратическим отклонением.

Среднее квадратическое отклонение принимало значения 0,0;

0,5;

1,0;

2,0;

5,0;

10,0. На число измерений значений оптимизируемой функции было наложено ограничение. Процесс минимизации прекращался, когда число измерений достигало 1000. По полученному минимальному значению функции fmin. за 1000 измерений оценивалась эффективность алгоритма, также определялось число шагов N минимизации за 1000 измерений. Выбор линейной функции для исследования помехоустойчивости алгоритма был продиктован желанием проследить, как меняется эффективность метода при повышении размерности задачи и уровня случайных ошибок в измерениях. Нелинейность минимизируемой функции могла внести дополнительные сложности в процесс поиска и не позволить выявить помехоустойчивость алгоритма в явном виде.

3.2.3. Результаты Результаты минимизации линейной функции при различной размерности приведены в табл. 3.3. Следует отметить, что при рассмотренных случайных ошибках алгоритм показал свою помехоустойчивость, достигнутые значения функции составляют примерно 10 % от значений, полученных при отсутствии ошибок, что можно считать успешным для столь больших ошибок в измерениях (отношение разности значений функции f(x) в вершинах симплекса к среднему квадратическому отклонению = 10,0 составляет приблизительно 0,1).

101 Таблица 3.3 Минимизация линейных функций разной размерности при наличии случайных ошибок Среднее квадратическое отклонение, n Алгоритм N 2 1, отображение 1 1, отображение 2 2 3 1, отображение 1 1, отображение 2 2 4 1, отображение 1 1, отображение 2 2 5 1, отображение 1 1, отображение 2 2 10 1, отображение 1 1, отображение 2 2 15 1, отображение 1 1, отображение 2 2 20 1, отображение 1 1, отображение 2 2 500 500 550 333 333 498 250 250 398 200 200 332 100 100 180 67 67 125 50 50 94 0,0 – f(x) 864 864 863 542 482 662 394 328 490 308 246 394 146 107 195 96 68 30 71 50 95 N 559 500 671 396 333 475 302 250 356 251 200 266 128 100 117 91 67 75 67 50 53 0,5 – f(x) 807 797 830 465 436 499 293 288 315 197 207 228 61 69 72 26 38 38 14 20 22 N 567 500 677 391 333 455 304 250 342 249 200 268 130 100 120 89 67 73 68 50 53 1,0 – f(x) 579 558 638 350 327 371 201 190 221 129 127 139 35 44 41 13 25 23 8 15 14 N 558 500 650 396 333 459 305 250 338 253 200 255 129 100 113 88 67 75 68 50 54 2,0 – f(x) 347 352 342 183 183 181 117 118 130 66 77 88 19 14 14 5 4 12 4 10 3 N 570 500 667 399 333 497 312 250 339 253 200 265 127 100 114 89 67 71 67 50 55 5,0 – f(x) 128 147 121 35 78 47 40 36 62 23 21 30 5 16 0 1 11 3 3 1 3 N 566 500 672 392 333 488 311 250 341 252 200 260 128 100 115 88 67 74 68 50 53 10,0 – f(x) 66 118 70 18 50 9 35 35 43 9 13 13 2 15 3 3 4 1 1 0 Приведенные результаты позволяют сделать вывод о высокой помехоустойчивости разработанных алгоритмов.

102 3.3. Исследование вычислительных свойств диалоговых алгоритмов на задачах малой и средней размерности Для более подробного исследования вычислительных свойств разработадиалоговых нных алгоритмов, выявления влияния нелинейности функции, овражности и изменения этих свойств от размерности задачи для разных методов проведено испытание алгоритмов на трех типах тест-функций [50]. Тест-функции первого типа имеют следующий вид:

f 5 = x i2, i =1 n (99) Это простые квадратичные функции с минимальным значением, равным нулю в нулевой точке. Данные функции минимизировались при разных размерностях функции п = 2, 5, 10, 15, 20. Следует отметить, что нелинейные функции в окрестности экстремума часто представимы в виде (99) [17, 25, 26, 58]. Следующие тест-функции имеют вид:

f 6 = i x i2.

i =1 n (100) Данные квадратичные функции имеют тот же минимум, что и функции (99). Их отличительной особенностью является рост овражности функции с ростом размерности задачи. Как и в первом случае решалась задача минимизации функции при n = 2, 5, 10, 15, 20. Третий тип тест-функций имеет вид f 7 = i xi.

i =1 n (101) Эти тест-функции не являются непрерывно дифференцируемыми, обладают острым оврагом, обусловленность которого растет с ростом размерности задачи. Минимум функций расположен в нуле и равен нулю. Тест-функции минимизировались при n = 2, 5, 10, 15, 20. Минимизация функций должна выявить, насколько успешно диалоговый алгоритм справляется с простыми нелинейными функциями. Усложнение задачи минимизации путем введения функций f6, обладающих овражностью, позволит выявить эффективность алгоритма в 103 случае простых оврагов. И, наконец, функции f7 с острыми оврагами выявят способность алгоритма адаптироваться к острым оврагам. Для того чтобы разные методы поставить в равные условия, не проводилось специального подбора параметров методов. начальной точкой являлась точка (10,..., 10), где число компонент соответствует размерности задачи n. Рассмотрим результаты минимизации функций f5, f6, f7 исследуемыми алгоритмами (табл. 3.4–3.6).

Таблица 3.4 Минимизация функций f5 разной размерности n 2 Алгоритм Число шагов, N Число измерений Значение функции 5 Число шагов, N Число измерений Значение функции 10 Число шагов, N Число измерений Значение функции 15 Число шагов, N Число измерений Значение функции 20 Число шагов, N Число измерений Значение функции 1, отображение 1 19 83 0,03 63 500 0,13 75 1000 0,05 76 1510 0,08 76 2010 0,24 1, отображение 2 19 73 0,01 56 500 0,15 49 1001 0,08 63 1500 0,09 68 2001 0,20 2 20 79 0,03 58 500 0,12 59 1000 0,81 62 1500 0,35 50 2000 0, С минимизацией функции f5 размерности 2 все алгоритмы практически успешно справились. Увеличение размерности задачи до 5 не привело к осложнениям с минимизацией функции f5 для всех алгоритмов. Задачи размерности 10, 15 и 20 также успешно решены.

104 Подводя итоги минимизации функции f5 различной размерности, можно отметить, что алгоритмы с деформируемыми комплексами позволяют точнее найти экстремум функции за практически одинаковое число шагов оптимизации.

Таблица 3.5 Минимизация функций f6 разной размерности n 2 Алгоритм Число шагов, N Число измерений Значение функции 5 Число шагов, N Число измерений Значение функции 10 Число шагов, N Число измерений Значение функции 15 Число шагов, N Число измерений Значение функции 20 Число шагов, N Число измерений Значение функции 1, отображение 1 23 79 0,00 44 393 0,01 90 1000 0,35 94 1500 11,9 102 2000 4,2 1, отображение 2 20 49 0,00 65 500 0,05 76 1000 7,88 79 1500 8,6 72 2000 2,1 2 15 61 0,07 43 501 0,14 61 1000 0,33 42 1500 6,1 65 2000 17, Перейдем к рассмотрению результатов минимизации функции f6. Как и в предыдущем случае, алгоритмы успешно справились с задачей при размерности функции 2 и 5. Дальнейший рост размерности не позволил алгоритмам найти точный минимум за ограниченное число шагов, однако полученные значения находятся достаточно близко к экстремуму.

105 Таблица 3.6 Минимизация функций f7 разной размерности n 2 Алгоритм Число шагов, N Число измерений Значение функции 5 Число шагов, N Число измерений Значение функции 10 Число шагов, N Число измерений Значение функции 15 Число шагов, N Число измерений Значение функции 20 Число шагов, N Число измерений Значение функции 1, отображение 1 21 95 0,02 49 501 0,40 45 1001 32,62 69 1500 101 44 2000 161,1 1, отображение 2 32 93 0,02 72 500 2,00 49 1005 17,74 58 1500 68,5 92 2000 136,2 2 52 200 0,01 52 500 11,73 71 1000 43,45 74 1500 125,9 93 2000 253, С минимизацией функции f7 при размерности 2 все алгоритмы успешно справились. Дальнейшее увеличение размерности не позволило алгоритмам найти точный минимум за ограниченное число шагов. При этом получено существенное уменьшение значения функции. Можно считать, что алгоритмы вплотную приблизились к области экстремума. Более высокую эффективность продемонстрировал при этом алгоритм с деформируемыми комплексами. Подводя итоги минимизации рассмотренных тест-функций различной размерности, следует отметить высокую работоспособность диалоговых алгоритмов. Однозначный ответ на вопрос о наиболее эффективном алгоритме отсутствует. Как показало моделирование алгоритмов с усложнением решаемой задачи, например при увеличении ее размерности и овражности, меняются характеристики алгоритмов, все более существенным становится выбор параметров. Наименее эффективным среди сравниваемых разработанных алгоритмов оказался алгоритм с накоплением информации из-за случайной природы отклонений. Алгорит 106 мы с деформируемыми комплексами и двумя типами отображений обладают высокими свойствами адаптации, но требовательны к выбору отображения в зависимости от формы поверхности отклика оптимизируемой функции. Успешное применение диалоговых алгоритмов связано с проведением оптимизации в режиме диалога с измерением в процессе поиска параметров метода.

Выводы к главе В главе приведен вычислительный эксперимент для выявления свойств уже разработанных алгоритмов. В процессе разработки и исследования свойств алгоритмов использовались также розенброкоподобные овражные функции, разработанные проф. А.С. Рыковым для выявления поведения методов на сложных овражных функциях в зависимости от выбора параметров. Результатами исследования явились полученные методы и предлагаемые настройки. Выделим основные результаты, полученные в третьей главе. 1. Выбрана методика проведения вычислительного эксперимента для исследования эффективности предложенных алгоритмов. 2. Проведен вычислительный эксперимент по сравнению эффективности методов прямого поиска при минимизации тест-функций размерности два за ограниченное число измерений. Показана высокая эффективность разработанных алгоритмов по сравнению с другими методами прямого поиска. 3. Исследована помехоустойчивость алгоритмов при минимизации линейных функций размерности от двух до двадцати при наличии случайных ошибок, имеющих нормальное распределение и различную дисперсию. Показана высокая эффективность алгоритмов при влиянии помех. 4. Проведено исследование вычислительных свойств алгоритмов при минимизации нелинейных функций размерности от двух до двадцати. Выявлены вычислительные свойства алгоритмов, показана их работоспособность.

ГЛАВА 4. ПОСТРОЕНИЕ ДИАЛОГОВОЙ СИСТЕМЫ. ПРОГРАММНАЯ РЕАЛИЗАНЦИЯ Используя разработанный алгоритм, можно проводить оптимизацию, выполняя расчеты вручную или с помощью модернизированной системы DCM, описанной в предыдущей главе. Однако такой подход привел бы к необходимости большой доли ручного труда, организации хранения и поиска экспериментальных данных, необходимости проверки правильности вычислений и т.д. Более того, предполагаемый объем экспериментальных данных затруднил бы процесс поиска, особенно для задач оптимизации технологических процессов большой размерности. В конечном итоге, современный уровень информатизации просто не позволяет проводить вычисления, которые могут быть автоматизированы, вручную. Первоначально, для наглядной демонстрации работы алгоритма с помощью Microsoft Excel и Visual Basic for Application была написана программа для автоматизации вычислений. С ее помощью были определены основные необходимые возможности проектируемой системы оптимизации.

4.1.1. Формулировка требований к диалоговой системе Опираясь на существующий опыт разработки систем подобного типа [5, 9, 34, 37, 43, 87], были сформулированы основные требования к диалоговой системе многокритериальной оптимизации технологических процессов: – Возможность быстрой доступной адаптации системы под технологический процесс любой сложности. Сам технологический процесс является для системы «черным ящиком». – Удобный конструктор, который позволяет гибко создавать различные варианты методов оптимизации. Возможность задавать различными способами начальные значения, варианты начальных конфигураций. Гибко менять параметры шагов, критериев и т.д. – Возможность ручного управления конфигурацией, динамического изменения размерности задачи в процессе оптимизации. – Наглядность представления результатов. Цифровое отображение траектории оптимизации, отображение удаленности любых точек от текущих настроек процесса.

108 – Пошаговое фиксирование результатов. Отображение результатов оптимизации с возможностью изменения параметров конфигурации на любом шаге. Хранение дерева конфигураций с возможностью отката к любому шагу. – Возможность развития. Создать систему с возможностью легко реализовать новые алгоритмы, правила, критерии, новые типы задач. – Программная реализация. Система должна быть создана с учетом современных требований к алгоритмическому программному обеспечению, возможностей дальнейшего развития, например создания модуля графического отображения результата оптимизации, интеграции с офисными приложениями для облегчения процедуры ввода данных и выводе отчетных данных. Основной способ реализации диалоговой системы – объектноориентированное программирование. 4.2. Описание диалоговой системы многокритериальной оптимизации технологических процессов Для решения задач многокритериальной оптимизации технологических процессов была разработана диалоговая система многокритериальной оптимизации [39, 42]. Разработанная система многокритериальной оптимизации имеет удобный графический пользовательский интерфейс. Широкий спектр настроек алгоритмов позволяет настроить систему практически на любой технологический процесс. Также предусмотрена возможность корректировки алгоритма в процессе работы системы, вплоть до ручного переопределения конфигурации (симплекса или комплекса) по желанию пользователя на любом шаге. Система позволяет сохранять результаты работы, собственные настройки для разных проектов, тем самым обеспечивая возможность параллельной оптимизации нескольких технологических процессов без перенастройки системы.

4.2.1. Структура системы Система имеет блочную (модульную) структуру. Это позволяет наращивать мощность системы путем добавления новых модулей к существующей структуре системы без серьезных ее изменений. Функциональная структура системы включает: – подсистему интерфейса с пользователем;

109 – подсистему адаптации к технологическому процессу;

– подсистему управления экспериментальными данными;

– подсистему оптимизации;

– подсистему управления процессом оптимизации;

– подсистему управления параметрами. Структурная схема диалоговой системы представлена на рис. 4.1.

Подсистема адаптации к технологическому процессу Подсистема интерфейса с пользователем Подсистема управления экспериментальными данными Подсистема управления процессом оптимизации Подсистема управления параметрами Подсистема оптимизации Рис. 4.1. Структурная схема диалоговой системы многокритериальной оптимизации технологических процессов Подсистема интерфейса с пользователем предназначена для интерактивного управления процессом оптимизации. С помощью этой подсистемы осуществляется простой доступ к настройкам, ввод экспериментальных данных, интерпретация полученных результатов. Подсистема управления экспериментальными данными предназначена для взаимодействия системы с внешней средой – технологическим процессом (рис. 4.2).

“Черный ящик” Предложение настройки параметров процесса Технологический процесс Результат настройки Подсистема управления экспериментальными данными Диалоговая система многокритериальной оптимизации технологических процессов Рис. 4.2. Схема взаимодействия системы с технологическим процессом Назначение остальных подсистем не приводится, так как их назначение прямо выражено в содержательных названиях.

4.2.2. Программная реализация системы При создании диалоговой системы использовался объектно-ориентированный подход программирования. Система создана по модульному принципу с учетом дальнейшего расширения возможностей. Основными алгоритмами оптимизации являются диалоговые алгоритмы, описанные во второй главе.

4.2.2.1. Возможности системы Система многокритериальной оптимизации технологических процессов в режиме диалога с пользователем позволяет провести оптимизационную настройку технологического процесса.. В процессе работы доступны следующие возможности: – возможность настройки системы на различные технологические процессы;

– широкие возможности настройки диалогового алгоритма;

111 – возможность корректировки алгоритма в процессе работы системы, вплоть до ручного переопределения конфигурации (симплекса или комплекса) по желанию пользователя на любом шаге;

– возможность изменения размерности задачи на любом шаге по желанию пользователя;

– возможность сохранять результаты работы, собственные настройки для разных технологических процессов, тем самым обеспечивая возможность параллельной оптимизации нескольких процессов без перенастройки системы.

4.2.2.2. Технические особенности системы Для успешной работы системы требуется персональный компьютер с процессором Pentium, частотой не ниже 133 MHz;

с оперативной памятью не меньше 32 Mb, графической подсистемой, поддерживающей разрешающую способность 800х600 с 256 цветами и свободным пространством на жестком диске не менее 4 Mb. Система предназначена для работы под управлением операционных систем Windows 9х/ME/NT 4.0/2000/XP или старше. Система создана с учетом правил объектно-ориентированного программирования и поэтому имеет следующие возможности: – развитие системы не требует коренной перестройки структуры системы, и осуществляется путем добавления блоков программы с новыми функциональными возможностями;

– программа написана на языке Object Pascal в среде Delphi 6.0 компании Borland/Inprise. Язык имеет огромные возможности для написания программ любой сложности и является одним из распространенных языков программирования.

4.2.3. Работа системы в режиме диалога Формальная схема работы системы представлена на рис. 4.3. Вводятся обозначения: N - номер шага (итерации), k - число вершин в конфигурации.

N=0 Первоначальная настройка системы на технологический процесс Первоначальная настройка диалогового алгоритма Ввод имеющихся экспериментальных данных N=N+1 Деление k вершин на m "плохих", l "средних" и k-m-l "хороших", основываясь на значениях локальных критериев качества Настройка параметров отображения Расчет новых точек Нет Подтверждено технологом Да Выбор и корректировка точек Запуск технологического процесса, вычисление локальных критериев качества, ввод полученных результатов Выполнено условие останова Да Останов Нет Рис. 4.3. Формальная схема работы диалоговой системы 113 Процесс работы с диалоговой системой состоит из двух этапов: 1) Первоначальная настройка системы. Необходима для адаптации к технологическому процессу. Включает в себя ввод параметров, критериев оценки, экспериментальных результатов и выбор метода оптимизации. 2) Работа с системой.

4.2.3.1. Первоначальная настройка системы Для адаптации системы к конкретному технологическому процессу необходимо провести ее первоначальную настройку. Настройку достаточно выполнить один раз, в дальнейшем все параметры будут автоматически загружаться вместе с результатами работы. Для первоначальной настройки необходимо: 1. Запустить программу. 2. В главном окне (рис. 4.4) выбрать пункт меню «Файл/Создать» и ввести имя файла.

Рис. 4.4. Окно настройки размерности и обозначений параметров технологического процесса 3. Провести первоначальную настройку системы. Для этого в окне «Настройка параметров технологического процесса» (рис. 4.5 и 4.6): – определить размерность задачи (число параметров технологического процесса);

114 – определить число локальных критериев качества, по которым будет оцениваться значение функции качества при каждом наборе параметров технологического процесса;

– задать название каждого параметра технологического процесса;

– задать название каждого локального критерия качества;

– определить допустимый диапазон значений и минимальных шаг изменения для каждого параметра технологического процесса.

Рис. 4.5. Окно настройки размерности и обозначений параметров технологического процесса Рис. 4.6. Окно настройки задания ограничений параметров технологического процесса 4. Ввести данные по имеющимся изделиям в окне «управление экспериментальными данными» (рис. 4.7).

Рис. 4.7. Окно управления экспериментальными данными 5. Сохранить проект.

4.2.3.2. Действия оператора при работе с системой оптимизации в режиме диалога Для работы необходимо загрузить существующий проект или создать новый. Алгоритм проведения оптимизации (см. рис. 25) выглядит следующим образом: 1. В окне «Управление экспериментальными данными» (см. рис. 29) указать значение функции качества для всех точек по принципу: – «0», если точка не используется на данном шаге;

– «1»,если точка «плохая»;

– «2»,если точка «средняя»;

– «3»,если точка «хорошая». При этом число точек ненулевых оценок должно быть не меньше n+1, где n – размерность задачи. Также не рекомендуется брать больше, чем 2n точек. 2. Выбрать длину шага и количество предлагаемых точек.

117 3. Сформировать новую конфигурацию, нажав на кнопку «Сделать шаг». 4. Из предложенных точек выбрать наиболее оптимальные на взгляд технолога и провести эксперимент, используя предложенные параметры технологического процесса. Если ни одна из предложенных технологий по каким-либо соображениям не подходит – рекомендуется вернуться к пункту 2 или 1. 5. Ввести результаты экспериментов (см. рис. 29), определив значения локальных критериев качества изделия и вернуться к шагу 1. Останов алгоритма осуществляется либо по достижению достаточно хорошего результата, либо если в результате нескольких шагов ни в одной точке не наблюдалось улучшение функции качества. Во втором случае есть два возможных варианта действия: 1. Останов. 2. Посчитать найденный экстремум функции качества локальным и попробовать либо переопределить начальную конфигурацию, используя полученные точки, либо значительно увеличить шаг (осторожно! можно получить резкое ухудшение качества результата процесса в полученных таким способом точках).

Выводы к главе 1. С учетом современных требований к системам подобного типа сформулированы требования к системе. 2. Разработана и программно реализована диалоговая система многокритериальной оптимизации технологических процессов. 3. Приведено описание порядка действий оператора при работе с системой в режиме диалога.

ГЛАВА 5. ОПИСАНИЕ ОБЪЕКТА ВНЕДРЕНИЯ Для получения фотопреобразователей используется установка плазмохимического осаждения аморфных слоев кремния. Настоящая установка представляет собой технологическую систему непрерывного плазмохимического осаждения аморфных слоев кремния на металлическую ленту (подложку) в режиме «с рулона на рулон», в которой последовательно наносятся несколько слоев тонких полупроводниковых пленок легированного и нелегированного аморфного кремния в непрерывном процессе за один цикл (продолжительность цикла зависит от длины рулона металлической ленты) [60].

5.1. Процесс получения фотопреобразователей В процессе напыления установка ОТТ формирует на подложке каскад из трех тройных n-i-p фотоэлементов. Для того чтобы энергия солнечного спектра сбалансированно и наиболее эффективно поглощалась, свойства этих элементов (толщина, ширина запрещенной зоны) отличаются друг от друга. Верхний элемент поглощает энергию преимущественно от синей части спектра. Нижний элемент поглощает красную часть спектра. Средний элемент работает в средней области спектра видимого света. Для максимального поглощения падающей на структуру энергии излучения на подложку из нержавеющей стали предварительно наносится так называемое «тыльное зеркало», чтобы за счет отражения от подложки увеличить эффективную длину оптического пути падающего света в структуре. Слои аморфного кремния получаются путем разложения кремнийсодержащего рабочего газа при низком давлении в плазме переменного тока и осаждения аморфного кремния на металлическую подложку. Во всех камерах также используется водород как для внедрения водородных атомов в структуру аморфного кремния, так и в качестве основного газа, поддерживающего плазму. Свойства материала в слоях регулируются составом подаваемой газовой смеси, температурой подложки и мощностью плазмы. В состав установки получения аморфного кремния входят камера подачи (Pay-Off), девять рабочих камер, в которых производится формирование трехкаскадной структуры элемента, приемная камера (Take-Up), а также управляющее и вспомогательное оборудование. Смеси технологических газов в каждой секции динамически изолированы от смежных камер особыми «газовыми затворами». В основе принципа действия этих газовых затворов 119 лежит использование ламинарного потока газа (в данном случае – это водород (H2)) через канал постоянного сечения в направлении, противоположном диффузионному градиенту концентрации легирующего газа. В результате этого потока перемещение легирующих веществ между камерами практически подавляется, и газовые смеси в смежных камерах оказываются эффективно изолированными, при этом имеется возможность свободного перемещения подложки из одной камеры в другую. Прохождение подложки через технологические камеры поставлено таким образом, что напыление происходит на нижнюю сторону, что сводит к минимуму возможность появления дефектов за счет попадания макрочастиц на рабочую поверхность. Установка имеет девять рабочих камер плазмохимического осаждения аморфных полупроводниковых слоев непосредственно для формирования трехкаскадного солнечного элемента с варизонной структурой a-Si/a-Si/a-Si-Ge. Продукция ОТТ может храниться неограниченно долго с использованием вакуумной системы, под вакуумом или при продувке инертным газом. Обычно продукция хранится в приемной камере (Take-Up) ОТТ или камере выдачи (Pay-Off) ОТС до тех пор, пока не будет покрыта верхним проводящим просветляющим покрытием.

5.1.1. Рабочие параметры процесса Свойствами пленок, напыляемых в ОТТ, можно управлять, меняя множество параметров процесса: – соотношения основных и легирующих газов, подающихся в плазму;

– частоту, мощность, и настройку подачи электрической энергии в плазму;

– температуру подложки;

– давление в камере напыления, устанавливающееся в результате равновесия между полным потоком газов на входе в камеру и эффективной скоростью накачки;

– толщину напыляемого слоя, зависимую как от размера катода, так и от скорости, с которой лента перемещается в плазме;

– градиент концентрации легирующих газов в различных точках одной и той же плазмы.

120 5.1.2. Тестирование и контроль качества фотопреобразователей Контроль качества с помощью фотоэлектрических измерений. Лента с полностью нанесенной структурой солнечного элемента рубится на отдельные стандартные пластины и через каждые 10 метров – контрольные купоны, представляющие собой солнечный элемент длиной четыре дюйма. Контрольные купоны обрабатываются соответствующим образом и используется для проведения тестирования и контроля качества. Качество материала определяется с помощью фотоэлектрических измерений при освещении АМ 1.5 по току, напряжению, коэффициенту заполнения и коэффициенту полезного действия (КПД) на каждом из 28 элементов, на которые разбиваются контрольные купоны. Значения данных параметров для единичного элемента площадью 7,35 см2 должны укладываться в пределах, приведенных в табл. 5.1.

Таблица 5.1 Значения параметров для единичного элемента площадью 7,35 см2 Измеряемый параметр КПД, % Напряжение, В Сила тока, мА/см2 Коэффициент заполнения Последовательное сопротивление, Ом·см2 Допустимые значения 10,0 – 10,5 2,40 – 2,43 6,3 – 6,8 0,65 – 0,68 39 – Значения КПД, напряжения, тока, коэффициента заполнения и последовательного сопротивления могут быть получены с помощью измерений вольт-амперных зависимостей I(U) солнечных элементов с использованием компьютерного комплекса, разработанного для этих измерений, при освещении элементов излучением, модулирующим глобальный спектр солнечного излучения АМ 1.5. Замеры характеристик солнечных элементов на контрольных купонах должны проводиться через каждые 10 метров. Контроль качества осуществляется путем измерения спектральной чувствительности. Методика измерений состоит в том, чтобы измерить спектральную чувствительность солнечного элемента при облучении светом различных длин волн. Затем необходимо получить 121 ток короткого замыкания, интегрируя произведение спектральной чувствительности и спектра АМ 1.5 по всему диапазону длин волн. Значения полученного таким образом тока короткого замыкания верхнего, среднего и нижнего элементов должны укладываться в пределы, приведенные в табл. 5.2.

Таблица 5.2 Значения тока короткого замыкания, мА/см2 Измеряемый параметр Верхний элемент Средний элемент Нижний элемент Допустимые значения 6,3 – 6,8 6,8 – 7,0 7,0 – 7, Значения тока короткого замыкания измеряются на специальной компьютеризованной установке для измерений квантовой эффективности через каждые 100 м. Для оценки выхода годной продукции всего рулона используется измерение выхода годной продукции на единичном контрольном купоне. Оценка величины выхода годной продукции производится по двум критериям. Один – это коэффициент заполнения при облучении светом АМ 1.5. Коэффициент заполнения в таких условиях должен превышать 0,55. При этом выход годной продукции определяется как процент солнечных элементов, имеющих коэффициент заполнения менее 0.55, из 28 элементов на каждом контрольном купоне. Значение выхода годной продукции, полученное таким путем, должно быть в пределах 96-100 % для контрольных купонов и 99 % среднее в целом для всего рулона. Другой критерий для оценки выхода годной продукции – это напряжение холостого хода при освещении с низкой интенсивностью (1 мВт/см2). Величина выхода годной продукции определяется как процент элементов в контрольном купоне с напряжением холостого хода более 1.5 В. Выход годной продукции, измеренный таким способом, для каждого купона должен укладываться в пределах 60–100 % и быть выше 70 % в среднем для всего рулона. Оборудование, используемое для определения выхода годной продукции по коэффициенту заполнения, то же самое, что и для измерения вольт-амперных характеристик. Данные по выходу годной продукции получаются одновременно с замерами вольт-амперных 122 характеристик. Выход годной продукции при освещении низкой интенсивности измеряется на том же приборе но при комнатном освещении с интенсивностью приблизительно 1 мВт/см2. Выход годной продукции должен измеряться через каждые 10 м на каждом рулоне.

5.2. Настройка системы Для настройки системы необходимо формализовать технологический процесс, выделив наиболее значимые критерии оценки результатов и управляющие параметры процесса, которые поддаются регулировке. В данном случае было отобрано 5 критериев оценки готовых фотопреобразователей: y1 – напряжение, В;

y2 – сила тока, мА/см2;

y3 – КПД, %;

y4 – Филфактор (коэффициент заполнения);

y5 – Адгезия,·см. Допустимые значения этих параметров см. в табл. 5.1. Для управления процессом напыления слоев аморфного кремния разработчиками установки OTT была реализована возможность программно контролировать более 40 различных параметров во всех трех камерах установки, тем самым позволяя изменять: – соотношения основных и легирующих газов, подающихся в плазму;

– частоту, мощность, и настройку подачи электрической энергии в плазму;

– температуру подложки;

– давление в камере напыления, устанавливающееся в результате равновесия между полным потоком газов на входе в камеру и эффективной скоростью накачки;

– толщину напыляемого слоя, зависимую как от размера катода, так и от скорости, с которой лента перемещается в плазме;

– градиент концентрации легирующих газов в различных точках одной и той же плазмы. Такие широкие возможности управления, с одной стороны, позволяют точно настраивать процесс, с другой увеличивают размерность задачи, усложняя процесс настройки. Для уменьшения размерности пространства оптимизации с помощью технолога были отобраны наиболее значимые управляющие параметры процесса:

123 x1 – температура в камере 1;

x2,..., x9 – мощность подаваемая на катоды в камере 1 (всего 8 катодов);

x10 – температура в камере 2;

x11, x12, x13 – мощность подаваемая на катоды в камере 2 (всего 3 катода);

x14 – температура в камере 3;

x15 – мощность подаваемая на катоды в камере 3 (всего 1 катод). Получить информацию о влиянии изменения управляющих воздействий технологического процесса на характеристики фотопреобразователей можно только экспериментальным путем. Для этого необходимо запустить полный технологический цикл (прогон) с исследуемыми параметрами, получив на выходе ленту фотопреобразователей (рис. 5.1).

Стальная лента, расходные материалы Готовые фотопреобразователи Отмывка ленты Нанесение защитного покрытия Оценка качества по критериям y1,..., y Напыление тыльного зеркала Управляющие воздействия x1,..., x Осаждение слоев аморфного кремния Рис. 5.1. Формальная схема технологического процесса получения фотопреобразователей После этого на специальном оборудовании /15/ измерить их характеристики. В течение одного прогона возможно многократное (до 15 раз) изменение управляющих параметров процесса, однако результаты измерения можно измерить только по окончании всего прогона. Таким образом, используя особенности данного технологического процесса целесообразно применять адаптацию каждого шага. Следует иметь ввиду, что технологический процесс достаточно инерционен, поэтому влияние изменения управляющих параметров 124 можно оценить только через некоторое время после изменения. За это время лента может переместиться на расстояние до 20 метров. Задача оптимизации состоит в получении набора управляющих параметров технологического процесса, обеспечивающих оптимальные характеристики фотопреобразователей.

5.2.1. Ввод данных Порядок первоначальной настройки системы подробно описан в главе 4. Выбранные критерии были описаны в «Настройках параметров технологического процесса» (рис. 5.2). Внесена информация о параметрах всех имевшихся прогонах и их результатах. В качестве центра комплекса были взяты настройки процесса, показавшие наилучший результат. Далее вокруг этой точки сформирован начальный комплекс, в который вошли 7 старых точек.

Рис. 5.2. Ввод условных обозначений 125 5.3. Основные этапы процесса оптимизации (добавить данных) В процессе использования диалоговой системы для многокритериальной оптимизации технологического процесса получения фотопреобразователей на основе аморфного кремния было сделано 14 циклов оптимизации и получена оценка 249 предложенных наборов параметров процесса в течение 2003 года. В процессе отладки системы проводилась оптимизация только тех параметров процесса, которые оказывают наиболее сильное влияние на качество и стабильность фотопреобразователей. На каждом шаге выбор числа и состава оптимизируемых параметров осуществлялся технологом. Такой подход объясняется необходимостью первоначальной адаптации метода, а также необходимостью исключения возможных сбоев в стабильности фотопреобразователей из-за проводившихся параллельно исследований возможностей применения расходных материалов отечественного производства. Значения параметров процесса для первого шага были рассчитаны на основании всей имевшейся на тот момент информации о предыдущих прогонах. При этом были отброшены все точки, подвергавшиеся каким-либо неконтролируемым внешним воздействиям или явным сбоям оборудования. Всего было введено 18 точек. Введенные точки отличались друг от друга, как правило, значениями 2-3 параметров, причем с небольшими отклонениями. В связи с невозможностью сформировать из них достаточно правильную начальную конфигурацию, первый шаг был осуществлен с использованием правил отображения из алгоритма с накоплением информации. Полученные настройки технологического процесса были реализованы на прогоне А15В. Длина ленты 170 метров. Полученный результат не показал какихлибо заметных улучшений качества, однако технолог все же отметил результат как хороший, что позволило продолжить дальнейшие исследования. В связи с этим шаг 1 можно считать пробным и принять его результаты за точку отсчета. На втором шаге вокруг полученной начальной точки был построен симплекс, в который вошли 2 «хорошие» точки из начальной конфигурации, результат первого шага и 5 новых точек, выбранных технологом из 13 предложенных системой. Полученные параметры были реализованы на прогоне А16А длиной 400 метров. Было получено резкое улучшение результатов в одной из точек. Шаг был признан безусловно удачным. На следующем, третьем шаге предполагалось произвести адаптацию конфигурации в 2 точках, так как осталось всего 200 метров ленты. Однако произошел сбой технологического процесса на прогоне А16В, связанный, как выяснилось позднее с повышенным расходом масла на установке. В связи с этим весь следующий прогон А17А был произведен в одном 126 режиме из-за необходимости загрузки сборочного производства. Попытка адаптации в конце прогона А17В опять окончилась неудачей – произошел взрыв лампы и процесс был остановлен. Удачной оказалась попытка адаптации на прогоне А18А. Проведенный эксперимент показал, что длину шага можно увеличить, что и было сделано. Новые 4 вершины были реализованы на прогоне А18В длиной 370 метров. Полученные результаты свидетельствуют об успешности шага и его адаптации. На шаге 4 использовалась конфигурация из 8 вершин, в которой использованы 3 «хороших» вершины с предыдущего шага, 4 новых и 1 использовавшейся при адаптации к третьему шагу, так как она оказалась в пределах погрешности измерений от рассчитанной. Результаты шага были полностью получены только после трех прогонов А19А, А19В и А19С в связи с не совсем удачными попытками применения отечественного моносилана. Было отмечено некоторое снижение напряжения при стабильном росте КПД. Шаг признан удачными. Шаги 5 и 6 были реализованы на прогонах А20А, А20В, А21А. В связи с попытками применения отечественных материалов, конфигурации состояли всего из 4 точек. При этом оптимизировались только три параметра, выбранных технологом как наиболее важные. Полученные на шагах 5 и 6 результаты имеют большой разброс характеристик, связанных, вероятнее всего с экспериментом по применению новых материалов. При этом полученные результаты все равно демонстрируют улучшение качества преобразователей или, по крайней мере, стабильность процесса оптимизации. После шестого шага было принято окончательное решение о выборе поставщиков расходных материалов и далее процесс оптимизации продолжался в режиме, близком к штатному. Каждый оптимизационный цикл состоял из прогона адаптации и одного или двух рабочих. При этом процент брака находился в допустимых пределах. На 14 цикле было принято решение остановить процесс поиска в связи с невозможностью совершить шаг, приводящий к росту качества фотопреобразователей и принять новый штатный режим установки.

5.4. Результаты оптимизации Результатом оптимизации является предложенная комбинация параметров технологического процесса, при использовании которой получены фотопреобразователи с характе 127 ристиками, представленными в табл. 5.3. Там же приведены характеристики фотопреобразователей, полученные при использовании начальных настроек, предложенных производителями установки с изменениями, внесенными технологом.

Таблица 5.3 Значения локальных критериев качества фотопреобразователей Критерий y1 y2 y3 y4 y5 Начальная точка 2,36 5,84 8,07 0,63 6,2 Рекомендованная настройка 2,39 5,85 8,41 0,72 По оценкам специалистов-технологов, достигнуто значительное улучшение качества фотопреобразователей, о чем свидетельствует увеличение значений критериев y1–y3. Увеличение значения критерия y4 и уменьшение y5 свидетельствует о стабилизации результатов технологического процесса. Среди сопутствующих результатов отмечено сокращение межпрогонной подготовки оборудования на 1,5 часа и сокращено время вывода установки на рабочий режим на 40 минут. Вследствие того, что в процессе вывода установки ОТТ на рабочий режим происходит расход дорогостоящего сырья (сверхчистых газов), сокращение вывода установки на рабочий режим дает ощутимую (до 4 %) экономию этих материалов.

Выводы к главе Полученные результаты внедрения позволяют сделать вывод о высокой эффективности разработанной системы и практической значимости проведенных исследований. Система оптимизации может быть использована для настройки подобных технологических процессов без остановки производства. Перечислим основные результаты, полученные в пятой главе. 1. Описан и формализован объект внедрения системы – технологический процесс получения фотопреобразователей на основе аморфного кремния.

128 2. Выделены критерии оценки качества фотопреобразователей, выбраны оптимизируемые параметры технологического процесса и осуществлена настройка диалоговой системы. 3. В результате внедрения системы получено значительно улучшения качества фотопреобразователей. 4. Полученное улучшение качества фотопреобразователей свидетельствует об эффективности разработанной системы оптимизации и ее практической применимости для настройки аналогичных технологических процессов.

ЗАКЛЮЧЕНИЕ В диссертации предложены, успешно апробированы и внедрены методика, математическое и программное обеспечение системы многокритериальной оптимизации технологических процессов. Система предназначена для решения задачи оптимизации технологических процессов с помощью настройки их параметров, что позволяет повысить качество продукции. Получены следующие основные научные и практические результаты. 1. Задача настройки параметров технологических процессов сформулирована как задача многокритериальной оптимизации. Предложен подход, позволяющий преодолеть многокритериальность задачи и возможную нечисловую природу функции качества путем использования информации о предпочтениях технолога. Выделен класс технологических процессов, на оптимизацию которых ориентирован сформулированный подход. 2. Созданы диалоговые алгоритмы на основе класса методов деформируемых конфигураций для решения задачи многокритериальной оптимизации технологических процессов. 3. Определены критерии оценки свойств методов оптимизации. Проведено исследование свойств предложенных алгоритмов с помощью вычислительных экспериментов, показана эффективность и устойчивость алгоритмов при влиянии помех. 4. Сформулированы требования к системе оптимизации технологических процессов, разработана ее структура и осуществлена программная реализация диалоговой системы многокритериальной оптимизации. 5. Система успешно внедрена для оптимизации технологического процесса получения фотопреобразователей на основе аморфного кремния. Использование системы позволило существенно повысить характеристики фотопреобразователей и устойчивость технологического процесса.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 1. Батищев Д.И. Поисковые методы оптимального проектирования. М.: Сов. радио, 1975. 216 с. 2. Васильев Ф.П. Методы оптимизации. М.: Факториал Пресс, 2002. 3. Васильев Ф.П. Численные методы решения экстремальных задач. М.: Наука, 1980. 4. Вилкас Э.Й., Майминас Е.З. Решения: теория, информация, моделирование. М.: Радио и связь, 1981. 5. Виноградова И.И. Разработка и исследование алгоритмического и программного обеспечения диалоговой системы проектирования локальных автоматических систем управления:

Автореферат диссертации на соискание ученой степени кандидата технических наук. М.: 1998. – 24 с. 6. Управление и оптимизация производственно-технологических процессов. / Н.М. Вихров, Д.В. Гаскаров, А.А. Грищенков и др. – СПб.: Энергоатомиздат, 1995. – 301 с. 7. Волкова В.Н., Денисов А.А. Основы теории систем и системного анализа. СПб.: СПбГПУ, 2003. 520 с. 8. Габасов Р., Кирилова Ф.М. Методы оптимизации. Минск: БГУ, 1975. 9. Гаскаров Д.В. Интеллектуальные информационные системы. М.: Высшая школа, 2003. 431 с. 10. Геминтер В.И., Штильман М.С. Оптимизация в задачах проектирования. М.: Знание, 1982. 64 с. 11. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация. М.: Мир, 1985. 509 с. 12. Гилл Ф., Мюррей У. Численные методы условной минимизации. М.: Мир, 1977. 292 с. 13. Дамбраускас А.П. Симплексный поиск. М.: Энергия, 1979. 14. Дружинин В.В., Конторов Д.С. Системотехника. М.: Радио и связь, 1985. 200 с. 15. Дьячко А.Г. Математическое моделирование систем. М.: МИСиС, 1993.

131 16. Евтушенко Ю.Г. Методы решения экстремальных задач и их применение в системах оптимизации. М.: Наука, 1982. 432 с. 17. Еремин И.П., Мазуров В.Д. Нестационарные процессы математического программирования. М.: Наука, 1979. 18. Ермольев Ю.М. Методы стохастического программирования. М.: Наука, 1976. 19. Зангвилл У. Нелинейное программирование. Единый подход. М.: Сов. радио, 1973. 312 с. 20. Казаков И.Е., Гладков Д.И. Методы оптимизации стохастических систем. М.: Наука, 1987. 21. Калинина Э.В., Лапига А.Г., Поляков В.В. и др. Оптимизация качества. Сложные продукты и процессы. М.: Химия, 1989. 256 с. 22. Карманов В.Г. Математическое программирование. М.: Наука, 1980. 23. Козлов В.Н. Системный анализ и принятие решений. СПб.: Изд-во СПбГТУ, 2000. 190 с. 24. Ларичев О.И., Горвиц Г.Г. Методы поиска локального экстремума овражных функций. М.: Наука, 1990. 95 с. 25. Любич Ю.И., Майстровский Г.Д. Общая теория релаксационных процессов для выпуклых функционалов // УМН. 1970. Т. 25. Вып. 1. С. 57–112. 26. Налимов В.В., Чернова Н.А. Статистические методы планирования экстремальных экспериментов. М.: Наука, 1965. 27. Немировский А.С., Юдин Д.Б. Сложность задач и эффективность методов оптимизации. М.: Наука, 1979. 28. Нурминский Е.А. Численные методы решения детерминированных и стохастических минимаксных задач. Киев: Наукова думка, 1979. 29. Поляк Б.Т. Введение в оптимизацию. М.: Наука, 1983. 384 с. 30. Поляк Б.Т., Цыпкин Я.З. Оптимальные псевдоградиентные алгоритмы адаптации // Доклады АН СССР. 1980. Т. 250. № 5. С. 1084–1087.

132 31. Поляк Б.Т., Цыпкин Я.3. Псевдоградиентные алгоритмы адаптации и обучения // Автоматика и телемеханика. 1973. № 3. С. 46–48. 32. Пшеничный Б.Н., Данилин Ю.М. Численные методы в экстремальных задачах. М.: Наука, 1975. 33. Растригин Л.А. О критериях сопоставления методов поиска экстремума // Заводская лаборатория. 1976, Т. 32, № 10. 34. Растригин Л.А. Системы экстремального управления. М.: Наука, 1974. 35. Растригин Л.А. Статистические методы поиска. М.: Наука, 1968. 36. Реклейтис Г., Рейвиндран А., Рэгсдел К. Оптимизация в технике. Т. 1, 2. М.: Мир, 1986. 37. Рыков А.С., Виноградова И.И. Диалоговая система для настройки параметров регуляторов // Математические и экономические модели в оперативном управлении производством. М.: Электрика, 1997. С. 13–20. 38. Рыков А.С., Виноградова И.И. Диалоговый метод зеркальных построений для многокритериального проектирования регуляторов // Информационные технологии в металлургии и экономике. М.: МИСиС, 1997. С. 170–181. 39. Рыков А.С., Калашников А.Е. Диалоговая система для настройки параметров технологических процессов: Сб. научн. трудов «Экономика, информационные технологии и управление в металлургии». М.: МИСиС, 2003. С. 90–93. 40. Рыков А.С., Калашников А.Е. Диалоговый метод деформируемых конфигураций для многокритериальной оптимизации технологических процессов // Современные сложные системы управления (СССУ/HTCS 2003): Сб. трудов межд. Конференции. Т. 2. Воронеж: ВГАСУ, 2003. С. 185–188. 41. Рыков А.С., Калашников А.Е. Диалоговый метод деформируемых конфигураций и его применение в системе многокритериальной оптимизации технологических процессов // Информационные технологии. 2002. № 9. 42. Рыков А.С., Калашников А.Е., Рыков А.А. Диалоговая система многокритериальной оптимизации технологических процессов // Труды III международной конференции «Идентификация систем и задачи управления» SICPRO’2004, CD. М.: Институт проблем управления, 2004. С. 1034–1044.

133 43. Рыков А.С., Лановец В.В., Матвиенко М.Ю. Система конструирования и исследования алгоритмов деформируемых конфигураций // Труды международной конференции «Идентификация систем и задачи управления» SICPRO’2000, CD. М.: Институт проблем управления, 2000. С. 2182–2192. 44. Рыков А.С. Методы деформируемых конфигураций // Информационная математика. 2001. № 1. С. 167–183. 45. Рыков А.С. Методы прямого поиска с зеркальными построениями минимизируемой функции // Вопросы теории управляемых систем и ее применение в металлургическом производстве. М.: Металлургия, 1986. 46. Рыков А.С. Методы системного анализа: многокритериальная и нечеткая оптимизация, моделирование и экспертные оценки. – М.: Экономика, 1999. - 192 с. 47. Рыков А.С. Методы системного анализа: оптимизация. М.: Экономика, 1999. 255 с. 48. Рыков А.С. О методах деформируемых конфигураций // Доклады РАН. Т. 375. 2000. № 1. 49. Рыков А.С. О диалоговых методах деформируемых конфигураций // Доклады РАН. Т. 375. 2000. № 2. 50. Рыков А.С. Поисковая оптимизация. Методы дефоpмиpуемых конфигуаций. М.: Физматлит: Наука (Серия «Теория и методы системного анализа»), 1993. 216 с. 51. Рыков А.С. Построение методов управляемого прямого поиска // Вопросы теории управляемых систем и ее применение в металлургическом производстве. М.: Металлургия, 1986. 52. Рыков А.С. Принципы построения методов управляемого прямого поиска // Доклады АН СССР. 1982. Т. 266. № 5. С. 1082–1086. 53. Рыков А.С. Симплексные алгоритмы прямого поиска // Автоматика и телемеханика. 1980. № 6. С. 58–69. 54. Рыков А.С. Симплексные методы оптимизации // Препринт ВНИИ системных исследований. М., 1980. 54 c.

134 55. Рыков А.С. Симплексные методы прямого поиска // Известия АН СССР. Техническая кибернетика. 1980. № 5. С. 17–22. 56. Рыков А.С. Системный анализ. Методы безусловной оптимизации: Курс лекций. М.: МИСиС, 1990. 57. Светов Б.Я., Яковлев С.А. Моделирование систем. – М.: Высш. шк., 1985. – 251 с. 58. Стронгин Р.Г. Численные методы в многоэкстремальных задачах. М.: Наука, 1978. 59. Сухарев А.Г., Тимохов А.В., Федоров В.В. Курс методов оптимизации. М.: Наука, 1986. 328 с. 60. Технологическая инструкция по работе на установке получения аморфного кремния «Овоник трипл тандем» (ОТТ) от 25 января 2000 г. 61. Фиакко А., Мак-Кормик Дж. Нелинейное программирование. Методы последовательной безусловной минимизации. М.: Мир, 1972. 240 с. 62. Химмельблау Д. Прикладное нелинейное программирование. М.: Мир, 1975. 515 с. 63. Эльстер К.Х., Гроссман Х. Решение нелинейных оптимизационных задач с помощью штрафных и барьерных функций // Применение исследования операций в экономике. М.: Экономика, 1977. С. 95–161. 64. Юдин Д.Б. Задачи и методы стохастического программирования. М.: Сов. радио, 1979. 65. Юдин Д.Б. Математические методы управления в условиях неполной информации. М.: Сов. радио, 1974. 66. Box M.J. A new method of constrained optimization and a comparison with other methods // Comp. J. 1965. V. 8. No. 1. P. 42–52. 67. Box M.J. А comparison of several current optimization methods and the use of transformations in constrained problems // Colmp. J. 1966. V. 9. No. 1. P. 67–77. 68. Brooks S.H. A comparison of maximum-seeking methods // Operat. Res. 1959. V. 7. No. 4. P. 430–457. 69. Dennis J.E. Jr., Torczon V. Direct search methods on parallel machines // SIAM Journal on Optimization. 1991. No. 1. P. 448–474.

135 70. Dixon L.C.W. ACST – An accelerated constrained simplex techniques // Comp. Aided Desing. 1973. V. 3. P. 23–32. 71. Fletcher R. Practical methods of optimization // John Wiley & Sons. 1987. 436 р. 72. Guin J. A modification of the complex method of constrained optima // Comp. J. 1968. V. 10. P. 416–417. 73. Mitchell R.A., Kaplan J.L. Nonlinear constrained optimization by a nonrandom complex method // J. Research of the National Bureau of Standards. Section С. Engineering and Instrumentation. 1968. 72-C. P. 249–258. 74. Nelder J.A., Mead R. A simplex method for function minimization // Comp. J. 1964. v. 7. No. 4. P. 308–313. 75. Nonsmooth optimization // Prog. IIASA Workshop. 1977 / Eds. C. Lemarechal, R. Mifflin. Oxford: Pergamon Press, 1978. 76. Optimization in action / Ed. Dixon L.C.W. N.-Y.: Academic Press, 1976. 77. Parkinson J.M., Hutchinson D. A consideration of non-gradient algorithms for the unconstrained optimization of function of high dimensionality // Numerical methods for non-linear optimization. 1972. P. 99–113. 78. Parkinson J.M., Hutchinson D. An investigation into the efficiency of variants on the simplex method // Numerical methods for non-linear optimization. 1972. P. 115–136. 79. Paviani D.A., Himmelblau D.M. Constrained non-linear optimization by heuristic programming // Operat. Res. 1969. V. 17. No. 5. P. 872–882. 80. Paviani D. Ph.D. Dissertation. Austin (Texas, USA): The University of Texas, 1969. 81. Powell M.J.D. An efficient method for finding the minimum of a function of several variables without calculating derivatives // Comp. J. 1964. V. 7. No. 2. P. 155–162. 82. Powell. M.J.D. On search directions for minimization algorithms // Math. Programming. 1973. V 4. P. 193–201. 83. Rosenbrock H.H. An automatic method for finding the greatest or least value of a function // Comp. J. 1960. V. 3. No. 3. P. 175–184.

136 84. Rykov A.S. A new approach to construction of direct search methods for problems of optimization and identification // Proceedings of the Tenth International Conference on Systems Engineering ICSE'94. Coventry University, England, 1994. 85. Rykov A. Construction principles of deformed configurations methods // Preprints of the summer school course on Identification and Optimization oriented for use in adaptive control. Prague (Czech Republic), 1995. P. 65–80. 86. Rykov A.S. Deformed Configurations Methods for Unconstrained Optimisation. Department of Mathematics and Statistics, University of Edinburgh, UK, 1999. 110 p. 87. Rykov A.S., Vinogradova I.I., Kuznetsov A.G. PREDCON: a package for multiobjective controller design // Preprints of the 2th IFAC Workshop on New trends in design of Control Systems. Smolenice (Slovakia), 1997. P. 54–58. 88. Rykov A.S., Vinogradova I.I. PREDCON package for tuning GPC // Proceedings of 12th International Conference on Systems Engineering, ICSE’97. V. 2. Coventry (United Kingdom), Coventry University, 1997. P. 583–586. 89. Spendley W., Hext G.R., Himsworth F.R. Sequential application of simplex designs in optimization and evolutionary operation // Technometrics. 1962. V. 4. No. 4. P. 441–461. 90. Torczon V. Multi-directional search: a direct search algorithm for parallel machines. Ph.D. thesis. Houston (TX, USA): Department of Mathematical Sciences, Rice University, 1989. 91. Torczon V. On the convergence of the multidirectional search algorithm // SIAM Journal on Optimization. 1991. No. 1. P. 123–145. 92. Torczon V. Pattern search methods for nonlinear optimization // CRPC-TR95552. Houston (TX, USA): Rice University, 1995. 93. Umida T., Ichicava A. A modified complex method for optimization // J. Industrial and Engineering Chemistry Products, Research and Development. 1971. V. 10. P. 236–243. 94. Zangwill W.I. Minimizing a function without calculating derivatives // Comp. J. 1967. V. 10. P. 293–296.

Pages:     | 1 ||



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.