Содержание
- 2. Оптимизация – поиск оптимума Оптимумом, или оптимальным вариантом называется вариант, который является наилучшим среди допустимых при
- 3. Литература Разработка новых видов пищевых продуктов [Электронный ресурс] : метод. указания к выполнению практ. работы "Изучение
- 4. Классификация видов оптимизации По количеству критериев (однокритериальная и многокритериальная) По наличию дополнительных условий (безусловная и условная)
- 5. Этапы оптимизации технологического процесса 1. Постановка задачи 1.1. Определение параметров, подлежащих оптимизации и установление ограничений 1.2.
- 6. Критерий оптимальности Правильный выбор критерия оптимальности – это залог успеха всего процесса оптимизации. Высокая субъективность выбора:
- 7. Требования к параметрам оптимизации Простота определения Высокая воспроизводимость Очевидное направление оптимизации Взаимосвязь с общей оценкой привлекательности
- 8. Примеры параметров оптимизации Общая рентабельность предприятия; окупаемость капитальных вложений Себестоимость на единицу продукции или её часть
- 9. Примеры дополнительных условий оптимизации Показатели безопасности (не выше допустимых норм с учётом запаса) Минимальная рентабельность предприятия/максимум
- 10. Подходы к решению многопараметрических задач Оптимизация с несколькими целевыми функциями (многокритериальная оптимизация) Замена некоторых параметров оптимизации
- 11. Обобщённые параметры оптимизации Уровень качества по органолептической оценке: Комплексный безразмерный показатель качества: Аналогично при степенном подходе
- 12. Нормирование параметров Из в Из в Обратное преобразование: в Из в Из в
- 13. Распространённые ошибки при выборе обобщённого параметра оптимизации Отдельные параметры оптимизации не прошли нормирование и могут меняться
- 14. Факторы Варьируемые Фиксируемые Неуправляемые 3.1. Управляемые пассивно 3.2. Совершенно неуправляемые Не учитываемые Не влияющие (маловлияющие)
- 15. Интервал варьирования факторов Естественные границы варьирования Нормирование уровней варьирования (-1; 0; +1) Возможный выход за пределы
- 16. Методы получения целевой функции Анализ математических моделей Использование теории подобия Планирование эксперимента Интерполяционные модели Регрессионный и
- 17. Моделирование технологических процессов Натурное (эксперименты на реальном объекте) Физическое (на основе теории подобия) Аналоговое (аналогичное) моделирование
- 18. Основы теории подобия Подобие – это полная математическая аналогия при наличии пропорциональности между сходственными переменными, сохраняющаяся
- 19. Теоремы подобия Первая теорема (необходимое условие подобия) - для подобных явлений существуют равные критерии подобия Вторая
- 20. Основы теории планирования эксперимента Основная задача планирования эксперимента – минимизация количества опытов для получения максимальной информации
- 21. Полный факторный эксперимент 2n
- 22. Дробный факторный эксперимент Рост числа влияющих факторов приводит к экспоненциальному росту числа опытов ПФЭ позволяет получить
- 23. Полуреплика 23-1 Фактически, здесь X3 выбирается как эффект взаимодействия для ПФЭ 22: Х1Х2.
- 24. Планы Плакетта-Бермана Для очень большого количества факторов кардинально уменьшить число опытов позволяют планы Плакетта-Бермана. Они включают
- 25. Композиционные планы Дробные и полные планы эксперимента с двумя уровнями варьирования позволяют работать с линейными зависимостями,
- 26. Геометрическая интерпретация ЦКП для ПФЭ 22 ПФЭ ЦОКП ЦРКП
- 27. Центральный рототабельный план 22
- 28. Центральный рототабельный план 23
- 29. Особенности практического использования теории планирования эксперимента Необходимость учёта ошибки опытов – повторные эксперименты (особенно в центре
- 30. Рандомизация Рандомизация – это случайное упорядочение объектов совокупности. Опыты первоначально разработанного плана (строки таблицы) случайным образом
- 31. Предварительная обработка экспериментальных данных Обработка результатов повторяющихся опытов Обработка «временных рядов» и последовательных экспериментов 2.1. Сглаживание
- 32. Сглаживание экспериментальных данных Графический интуитивный метод Регрессионные методы (МНК) Упрощённые методы сглаживания (кроме первой и последней
- 33. Интерполяция и интерполяционные модели Интерполяция – способ получения промежуточных данных по имеющимся точкам В большинстве случаев
- 34. Дисперсионный анализ Позволяет оценить, влияет ли фактор на параметр оптимизации Использует F-распределение (критерий Фишера) Многофакторный дисперсионный
- 35. Последовательность однофакторного дисперсионного анализа Выбирается несколько выборок данных (не менее 2), различающихся значением фактора В каждой
- 36. Многофакторный дисперсионный анализ
- 37. Факторный анализ Позволяет сократить количество факторов (или параметров оптимизации) за счёт удаления взаимосвязанных Методы факторного анализа
- 38. Корреляционный анализ Корреляция – статистическая зависимость двух или более случайных (или условно случайных) величин. При наличии
- 39. Особенности коэффициента корреляции (на графиках) r ?1 r ?-1 r ≈0 r ≈0 r r ≈0
- 40. Ограничения коэффициента корреляции Все величины должны быть распределены нормально Для значимого результата необходимо большое число измерений
- 41. Множественная корреляция Оценивается теснота связи одной величины y и нескольких влияющих на неё x1, x2, x3
- 42. Анализ математических моделей Решение дифференциального уравнения для частной задачи - аналитическими методами - численными методами: обыкновенные
- 43. Регрессионный анализ Регрессионный анализ – это статистический метод исследования влияния одной или нескольких независимых переменных на
- 44. Определение коэффициентов регрессии Наиболее распространённый метод – метод наименьших квадратов (МНК) Задача: Для линейных и близких
- 45. Подходы к сведению моделей к линейным Математический аппарат для парной и множественной линейной регрессии хорошо отработан,
- 46. Оценка адекватности модели Подбор наилучших значений коэффициентов регрессии не гарантирует наилучший выбор модели – он лишь
- 47. Значимость коэффициентов регрессии Адекватность уравнения регрессии характеризует его целиком, но отдельные факторы или эффекты могут влиять
- 48. Методы безусловной оптимизации Классификация : По требованиям к гладкости функции Нулевого порядка; прямые методы (требуют только
- 49. Методы с использованием производных (однофакторная задача) Необходимым условием экстремума является равенство нулю, разрыв или неопределённость первой
- 50. Методы с использованием производных (многофакторная задача) При наличии 2 и более факторов необходимым условием экстремума является
- 51. Поскольку при наличии нескольких факторов наибольшее/наименшее значение может быть как внутри границ, так и в любой
- 52. Поисковый метод оптимизации. Методы нулевого порядка Задача поискового метода – определить оптимум без аналитического выражения или
- 53. Симплекс-метод Основан на оптимизации только в точках симплекса – правильного многоугольника/многогранника/гипермногогранника в факторном пространстве с n+1
- 54. Градиентные методы (первого порядка) Движение происходит по градиенту (для максимума) или против (для минимума). Градиент находят
- 55. Метод второго порядка – метод Ньютона Метод Ньютона (метод касательных) – позволяет решить уравнение с использованием
- 56. Условная оптимизация Представляет собой сочетание целевой функции и ряда условий: Линейное программирование – функции f, g,
- 57. Системы нечёткой логики Нечёткая логика – это обобщение задач аристотелевой логики для характеристик, имеющих приблизительную качественную
- 58. Основные операции классической (аристотелевой) логики Конъюнкция (логическое И). a/\b=истина, если а=истина и b=истина; во всех остальных
- 59. Нечёткая логика В нечёткой логике значение логических переменных и результат логических операций лежит в пределах 0…1.
- 60. Работа с неполной, неточной информацией Анализ словесных и качественных описаний Работа с нечёткими множествами Области систем
- 61. Основы теории множеств Множество - это набор некоторого количества (нулевого, конечного, бесконечного) определённых элементов. Элементы множества
- 62. Нечёткие множества Нечётким называют множества, функция принадлежности к которому принимает значения от 0 до 1 (нецелые).
- 63. Лингвистические (нечёткие) переменные Переменные, выражаемые словесно и используемые для суждений, могут быть описаны методами нечёткой логики.
- 65. Применение нечёткой логики и нечётких множеств в оптимизации Задачи нечёткой логики, в первую очередь, важны на
- 66. Альтернативные подходы к формированию целевых функций. 1. Функция потерь Таруги x0 – эталонное значение параметра; х
- 67. Функция желательности Харрингтона Основана на переводе параметра оптимизации к виду шкалы от 0 до 1 и
- 68. Метод множителей Лагранжа
- 69. Решение задач классификации с целью оптимизации Задачи классификации получили широкое распространение в научных исследованиях, в том
- 70. Классификация Классификация – это разделение объектов на группы (классы) в соответствии с некоторыми признаками. Классификация может
- 71. Кластерный анализ Кластерный анализ (кластеризация) – это совокупность методов, позволяющих разбить серию данных, представляющую совокупность признаков
- 72. Методы кластеризации Большинство методов кластерного анализа предполагает, что число классов задаётся изначально. Наиболее распространены следующие методы:
- 73. Метод k-средних Ключевым положением является измерение дистанции между элементами и между кластерами. Первоначально весь набор данных
- 74. Графовый подход, объединительные методы Объединительные методы предполагают объединение отдельных кластеров между собой. Графовый подход предполагает то
- 75. Метод формальных элементов (FOREL) Метод основан на поиске локальных сгущений. В данном методе вокруг случайного элемента
- 76. Оптимизация рецептур в общественном питании (общая методика) Проводится серия поисковых работ для определения направления исследования. Определяются
- 78. Скачать презентацию