Файл: Применение методов статистического моделирования в автоматизированном химическом производстве..pdf
ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 06.04.2024
Просмотров: 45
Скачиваний: 0
Для уравнения y \ —f{xx, . • |
х5) |
|
ДА, =6,962339; |
ДЛ22 |
= 0,0003215; |
АА2 =0,0756622; |
ДЛ23 = 2,656931; |
|
АА3 =9391,72313; |
ДЛ24 = 0,00029153; |
|
ДА4 =2,701443; |
ДЛ25 = 0,1240992; |
|
ДЛ5 =13,782372; |
ДЛ33 |
= 272,40028; |
ААи = 2,387361; |
ДЛ34 = 0,0403551; |
|
д л ,2 = 0,103416; |
ДЛ35 = 25,59979; |
|
ДД1з= 60,98034; |
ДЛ44 = 0,00005; |
|
ДЛ14 = 0,0845156; |
ДЛ45 = 0,0122677; |
|
дл , 5 = 1,271598; |
ДЛ55 = 0,397148. |
|
Для уравнения у2 = 1{Х\,- • |
• , *5) |
= 0,00228044; |
AAi =2,86529; |
ДЛ15 |
|
ДЛ2 =0,000005; |
ДЛ23= 1,853292; |
|
ДЛ3 =2,161307; |
ДЛ24 = 0,000286669; |
|
ДЛ4 =1,84969; |
ДЛ25 = 0,171724; |
|
ДЛ5 =5,634139; |
ДЛ38 |
= 518,1 18282; |
ДЛ„ = 0,0196755; |
ДЛ34 |
= 0,0854569; |
ДЛП = 0,935434; |
ДЛ35= 16,75394; |
|
ДЛ12 = 0,412699; |
ДЛ44 |
=1,508448; |
ДЛ13 = 678,61501; |
ДЛ45 |
= 0,0204462; |
ДЛИ= 12,185146; |
ДЛ55 = 293,55889. |
Для полученного уравнения проведена проверка адекват ности по следующей формуле:
где Si2— оценка |
остаточной дисперсии; |
||
S22— оценка |
дисперсии, |
обусловленной ошибкой воспро |
|
изводимости. |
|
|
|
|
N |
|
|
|
2 |
(Уг— Ур? |
|
|
— ------------- |
||
|
п—k—1 |
||
|
Л' |
/ |
|
|
2 |
2 |
(Уп -Уу)г |
|
П — 1 |
k = |
1 k |
|
|
N |
( J - 1) |
где y t — табличные значения |
выхода; |
ур — значение выхода, ожидаемое по уравнению;
N — число |
интервалов; |
/ — число |
замеров в интервале; |
k — число коэффициентов уравнения; |
|
п — число |
факторов. |
I |
25 |
|
Т а б л и ц а 8
У1 |
У>р |
У1— У1р (У1—У^р)2 |
Уз |
Уip |
У2 — Уър (Уа—Угр): |
||
91,1 |
90,54 |
0,56 |
0,3136 |
36,3 |
36,15 |
0,15 |
0,0225 |
92,0 |
92,02 |
-0 ,0 2 |
0,0004 |
27,9 |
27,75 |
0,15 |
0,0225 |
92,5 |
92,5 |
0,0 |
0,0 |
30,0 |
30,38 |
-0 ,3 8 |
0,1444 |
91,0 |
90,7 |
0,3 |
0,09 |
32,9 |
33,38 |
-0 ,4 8 |
0,2304 |
91,2 |
90,78 |
0,42 |
0,1764 |
33,0 |
33,19 |
-0 ,1 9 |
0,0361 |
91,1 |
91,36 |
- 0 ,2 6 |
0,0676 |
33,5 |
32,79 |
0,71 |
0,5041 |
90,0 |
89,96 |
0,04 |
0,0016 |
31,8 |
32,13 |
- 0 ,3 3 |
0,1089 |
90,0 |
90,40 |
- 0 ,4 0 |
0,1600 |
34,8 |
34,91 |
-0 ,1 1 |
0,0121 |
90,4 |
90,68 |
- 0 ,2 8 |
0,0784 |
32,7 |
32,39 |
0,31 |
0,0961 |
90,1 |
90,13 |
—0,03 |
0,0009 |
33,5 |
33,05 |
0,45 |
0,2025 |
90,6 |
91,04 |
—0,44 |
0,1936 |
31,4 |
31,86 |
—0,46 |
0,2116 |
90,2 |
90,26 |
—0,06 |
0,0036 |
26,4 |
27,20 |
—0,80 |
0,64 |
90,4 |
90,39 |
0,01 |
0,0001 |
28,2 |
28,38 |
- 0 ,1 8 |
0,0324 |
90,5 |
90,63 |
—0,13 |
0,0169 |
32,9 |
32,47 |
0,43 |
0,1849 |
90,5 |
90,36 |
0,14 |
0,0196 |
27,5 |
26,44 |
1,06 |
1,1236 |
90,6 |
90,59 |
0,01 |
0,0001 |
35,2 |
35,28 |
—0,08 |
0,0064 |
89,6 |
89,57 |
0,03 |
0,0009 |
32,5 |
31,67 |
0,83 |
0,6889 |
90,0 |
90,02 |
—0,020 |
0,004 |
33,6 |
33,25 |
0,35 |
0,1225 |
89,1 |
88,94 |
0,16 |
0,0256 |
34,8 |
34,77 |
0,03 |
0,0009 |
90,0 |
90,03 |
- 0 ,0 3 |
0,0009 |
34,5 |
35,05 |
—0,55 |
0,3025 |
87,0 |
87,63 |
- 0 ,6 3 |
0,3969 |
37,5 |
36,57 |
0,93 |
0,8649 |
91,4 |
91,32 |
0,08 |
0,0064 |
32,7 |
32,03 |
0,67 |
0,4489 |
90,5 |
90,46 |
0,04 |
0,0016 |
31,1 |
31,41 |
-0 ,3 1 |
0,0961 |
89,9 |
88,98 |
0,92 |
0,8464 |
35,9 |
35,68 |
0,22 |
0,0484 |
88,8 |
89,85 |
—1,05 |
1,1025 |
35,6 |
34,64 |
0,96 |
0,9316 |
|
|
В = |
3,504; |
Е = 10,9600 |
|
|
су |
3,504 |
г\ м/~\ л |
а2 = |
-! -----. = |
0,104. |
Л24
26
I.
В нашем случае /^-критерий принимает значения (табл. 8):
для уравнения yi = f(xu . . х5) F= 1,11;
для уравнения y2 = f{x\, . . х5) F= 1,93.
Найденное в таблице /^-распределений значение для 5-про центного уровня значимости, соответствующего f\ = n—k—1 степеням свободы в числителе и /2 = «(/—1) степеням свободы в знаменателе, равно 2,63. Поскольку фактическое значение F меньше 5-процентного граничного значения, найденные урав нения зависимости адекватно представляют процесс.
После нахождения коэффициентов нелинейной (в нашем случае квадратичной) математической модели производствен ного процесса необходимо найти комбинацию значений пара метров этого процесса, оптимизирующего значение выходной функции. Мы рассматриваем, таким образом, задачу оптими зации многопараметрической системы. Обозначив через
Q(xu ...,x) |
функцию качества технологического процес |
||
са, |
найдем |
вектор |
(х\*, х2*, . . ., хп*), оптимизирующий функ |
цию |
качества Q. |
Если, например, оптимизируемая функ |
ция качества должна принимать наименьшее значение, то
Q(x 1*,..., x * )< Q ( x u ...,x„)*.
Компоненты Xi , . . ., х п являются параметрами оптимизи руемой системы, образуя «-мерный вектор, причем функция качества Q определена на конечном или бесконечном множе стве этих n-мерных векторов.
Существует ряд способов нахождения оптимального набо ра параметров в многопараметрической системе. Наиболее простым и самым трудоемким является перебор всех возмож ных комбинаций значений параметров х и . . ., хп, после чего выбирается искомая комбинация Х\*, . . ., хп, минимизирую щая выходную функцию качества Q(xb . . ,,хп). К преимуще ствам метода перебора относится независимость метода от вида и характера функции качества Q, а также гарантия на хождения глобального минимума за однократный перебор. К недостаткам метода относится необходимость проведения огромного количества вычислительных работ (особенно при больших п ), так как количество всех возможных комбинаций нередко приобретает астрономические размеры. Поэтому этот способ в настоящее время мало применяется для оптимиза ции многопараметрических систем.
Метод Гаусса — Зайделя сводится к поиску минимума (функции качества таким образом, что на каждом этапе мини мум отыскивается тольк'о по одному параметру. При этом ме тоде сходимость крайне медленная, причем в отдельных слу чаях решение вообще не может быть достигнуто. Наиболее распространенными из неслучайных способов поиска являют
* В дальнейшем будем считать оптимальной комбинацию параметров, минимизирующую функцию качества Q.
27
ся методы градиента и наискорейшего спуска, широко описан ные в литературе [9], [10], [12], [13]. На первом этапе примене ния метода градиента выбирается (случайно или неслучайно) точка, в которой определяется направление градиента.
Поиск происходит в обратном направлении, причем метод градиента особенно эффективен в том случае, когда функция качества Q является линейной. Основной недостаток метода градиента — резкое снижение его эффективности при наличии ограничений. Достоинством метода является его сравнительно высокая точность. Метод наискорейшего спуска является раз витием метода градиента и отличается от последнего тем, что система определяет направление градиента не на каждом шаге поиска, а только в тех случаях, когда значение функции качества после очередного шага увеличилось. В противном случае система делает очередной шаг в прежнем направле нии, не определяя заново направления градиента.
На наш взгляд, более эффективными способами оптимиза ции многопараметрических систем являются методы случай ного поиска. Наиболее простым, хотя и не всегда экономич ным, является метод статистических испытаний (метод Мон те-Карло). Он сводится к «розыгрышу» значений параметров
Х \ |
, . . . , х п , вычислению функции качества Q и к многократно |
му |
повторению «розыгрыша». После проведения большого |
числа «розыгрышей» выбирается комбинация параметров xh для которой значение выходной функции Q будет минималь ным. Обычно «розыгрыш» значений параметров х, происходит равномерно в диапазоне изменения значений этих парамет ров.
Практически реализация метода Монте-Карло на ЭЦМ происходит следующим образом. Необходимо определить та кую комбинацию значений факторов х ь ..., х п, которая опти мизировала бы функцию f(xu . . . , x n). Определяем границы изменения значения для каждого из факторов х ;. Так, в на шем случае, область изменения для фактора Xi (соотношение)
следующая: min = 2, max = 4; 5.
Для фактора х2 min = 522, max = 674, и т. д. После это го «разыгрываем» п случайных чисел ah каждое из ко торых, соответственно, распределено равномерно в интервале
(minx,, шах х г).
Сначала моделируется значение случайной величины, рас пределенное равномерно в (0, 1); затем полученное случайное число умножается на (т а х х ;—rninx^), а к произведению прибавляется значение min xL. В результате получается окон чательное значение случайной величины а ;, распределенной равномерно в интервале (min xh шах х(). Описанная выше процедура совершается для всех г от 1 до п. После получения п случайных величин а г определяется величина f (<хь . . ., а„), которая «запоминается» в памяти электронной вычислитель-
28
ной машины. После этого вновь «разыгрываем» комбинацию (a(j2),.-- > a(„2)) (разумеется, величины аг будут иметь другие значения), определяем величину а™) и смотрим,
ближе ли новое значение к оптимальному, чем первое. Если да, то комбинация , а<л2>) запоминается,. а старая ком
бинация (a)1),.--. a(J)) стирается, если нет, то наоборот. Такую
процедуру повторяем многократно, после чего можно фикси ровать такую комбинацию (аь . . ., а„), для которой значение
f ( a i , . . . , a n) |
ближе всего к оптимальному. Эта |
комбинация |
|
(ai, |
а„) |
и выбирается в качестве оптимальной для факто |
|
ров Хи . . ., х„. |
|
||
|
К недостаткам метода Монте-Карло следует отнести недо |
||
статочную |
быстроту сходимости вероятностного |
процесса и, |
как следствие, необходимость проведения большого количест ва повторных «розыгрышей». К достоинствам этого метода относится простота его применения и возможность использо вания минимального количества рабочих ячеек при моделиро
вании оптимизации на ЭЦМ. |
Сходимость многомерного |
|
(«-мерного) |
вектора (хь ...,х„) |
к искомому результату |
(Xj*,. . ., х *) |
по вероятности в общем случае обратно пропор |
циональна ]/М ,где N — количество произведенных «розыгры шей», и для ряда случаев, как уже указывалось выше, яв ляется недостаточной.
В этом случае весьма эффективным методом оптимизации является случайный поиск, исследованный в работах Л. А. Рас-
стригина [12], [13].
Наиболее простым способом случайного поиска является так называемый шаговый локальный поиск без обучения, сущ ность которого заключается в следующем.
Обозначим через x(-i «-мерный вектор (х)1'”1),..., л:]]-1)) минимизирующий функцию качества Q(xb . . ., хп) после (г—1)
шагов |
поиска. Обозначим через | (см. обозначения в рабо |
те [13]) |
единичный случайный вектор, равномерно распреде |
ленный во всех направлениях «-мерного пространства пара
метров Х \ , ... , х п, а через |
a — величину «шага» |
в «-мерном |
пространстве. Сделаем следующий шаг £а и |
перейдем к |
|
«-мерному вектору (х^,..., |
х^), после чего определяем вели |
чину Q(x(i>,. . ., х^).
Если |
Q (хф,..., х ^ ) |
< Q (х)'-1!,..., |
xjf-1)), |
то |
считаем |
||||
Х 1= ( х {'\ |
..., x (V) и делаем следующий (г'+1)-й шаг, |
соответст |
|||||||
вующий вектору смещения |а , после |
чего вновь |
сравнива |
|||||||
ем изменение функции |
качества |
Q. |
Если Q (хф,..., хф) > |
||||||
> Q |
(^1‘' |
1>,...,л:|1‘“ 1)), |
то |
есть |
функция |
качества |
не уменьши |
||
лась, |
возвращаемся |
обратно |
в |
точку (л^-1),..., х ^ ) = А '._ 1. |
Таким образом, мы возвращаемся назад, если функция каче
29