Page 175 - 5637
P. 175
допустимою, тобто належала безлічі (про пошук таких допустимих початкових
наближень див. нижче, §8.4).
Таким чином, алгоритм методу вектора спаду складається з наступних основних
етапів:
1. Задаємо деяке початкове наближення ∈ , а також і – мінімальний
і максимальний радіуси околиці Хеммінга локальної мінімізації.
2. Вважаємо = 0, = .
3. На ( + 1)-му кроці виконуємо наступні дії:
3.1. Виробляємо перебір всіх -елементів в околиці Хеммінга ( , ).
3.2. Знаходимо ∈ ∈ ∩ ( , )/{ }, таке, що ( ) = min ∈ ( ).
3.3. Якщо безліч пусто або якщо − ( ) ≤ 0 (тобто якщо даний
компонент вектора спаду негативний), переходимо до п. 4, в іншому випадку, якщо
< , значення радіуса замінюється на + 1 і переходимо до п.3.1, в іншому
випадку до п.5.
4. Замінюємо на + 1, задаємо = , = і переходимо до П.З.
5. Значення оголошуємо локальним (по відношенню до околиці Хеммінга
( , − 1)) мінімумом функцій .
При переході до перебору елементів (п.3) округа Хеммінга ( , ) з >
досить розглядати точки, що належать безлічі ( , )/ ( , − 1), тобто поверхні
Хеммінга ( , ).
Алгоритм, що реалізує метод вектора спаду, сходиться до точного рішення задачі
цілочисельного програмування при досить широких припущеннях про структуру
оптимізується цільової функції. Зокрема, збіжність алгоритму (при відповідному
виборі радіуса ) має місце при остаточному безлічі визначення цільових функцій.
Якщо вирішується оптимізаційна задача з функцією, не задовольняє отриманим
достатнім умовам, в алгоритм вводяться додаткові критерії закінчення пошуку. Таким
критерієм може бути кількість кроків пошуку або тривалість його за часом, а також
оцінка min ( ), отримана за допомогою алгоритму статистичної оцінки
∈
екстремальних значень (див. §8.6).
Результати машинного експерименту [69] щодо вирішення завдань
цілочисельного програмування показали високу ефективність застосування методу