rpd000016237 (1009169), страница 6
Текст из файла (страница 6)
вариант № 3
| f(x1, x2) | gi (x1, x2) ≤ 0, i = 1,m |
| 5(х1 – 1)2 + 3(х2 – 3)2 | х1 +3х2 - 9 |
| -х1 + 3 | |
| -х2 - 2 |
вариант № 4
| f(x1, x2) | gi (x1, x2) ≤ 0, i = 1,m |
| 4(х1 – 1)2 + 16(х2 – 5)2 | х1 +х2 - 3 |
| -х1 - 1 | |
| -х2 - 3 |
вариант № 5
| f(x1, x2) | gi (x1, x2) ≤ 0, i = 1,m |
| 2(х1 – 5)2 + (х2 – 8)2 | х1 + 2х2 - 6 |
| -х1 - 3 | |
| -х2 - 4 |
вариант № 6
| f(x1, x2) | gi (x1, x2) ≤ 0, i = 1,m |
| (х1 – 6)2 + 4(х2 – 3)2 | 3х1 + х2 - 6 |
| -х1 – 2 | |
| -х2 – 1 |
вариант № 7
| f(x1, x2) | gi (x1, x2) ≤ 0, i = 1,m |
| 3(х1 – 5)2 + (х2 – 8)2 | х1 + 3х2 - 6 |
| -х1 – 1 | |
| -х2 – 2 |
вариант № 8
| f(x1, x2) | gi (x1, x2) ≤ 0, i = 1,m |
| 2(х1 – 4)2 + (х2 – 7)2 | 2х1 + х2 - 4 |
| -х1 – 3 | |
| -х2 – 4 |
вариант № 9
| f(x1, x2) | gi (x1, x2) ≤ 0, i = 1,m |
| 2(х1 – 3)2 + (х2 – 2)2 | х1 + х2 - 5 |
| -х1 + 2х2 - 6 | |
| -х2 – 2 |
вариант № 10
| f(x1, x2) | gi (x1, x2) ≤ 0, i = 1,m |
| (х1 – 2)2 + 2(х2 – 3)2 | -х1 + х2 - 1 |
| 3х1 + 2х2 - 6 | |
| -х2 – 2 |
вариант № 11
| f(x1, x2) | gi (x1, x2) ≤ 0, i = 1,m |
| (х1 – 2)2 + 6(х2 – 2)2 | 2х1 + х2 - 2 |
| -х1 - 2 | |
| -х2 – 3 |
вариант № 12
| f(x1, x2) | gi (x1, x2) ≤ 0, i = 1,m |
| (х1 – 2)2 + 4(х2 – 4)2 | 3х1 + 2х2 - 6 |
| -4х1 + 3x2 - 12 | |
| -х2 |
вариант № 13
| f(x1, x2) | gi (x1, x2) ≤ 0, i = 1,m |
| 2(х1 – 3)2 + (х2 – 2)2 | х1 + х2 - 2 |
| -х1 | |
| -х2 - 3 |
вариант № 14
| f(x1, x2) | gi (x1, x2) ≤ 0, i = 1,m |
| 2(х1 – 3)2 + (х2 – 2)2 | х1 + х2 - 2 |
| -х1 + х2 - 1 | |
| -х2 - 3 |
вариант № 15
| f(x1, x2) | gi (x1, x2) ≤ 0, i = 1,m |
| 3(х1 – 4)2 + (х2 – 5)2 | х1 + 2х2 - 2 |
| -х1 – 4 | |
| х1 - х2 - 3 |
вариант № 16
| f(x1, x2) | gi (x1, x2) ≤ 0, i = 1,m |
| (х1 – 5)2 + 2(х2 – 3)2 | 2х1 + х2 - 6 |
| -2х1 + x2 – 4 | |
| - х2 - 3 |
вариант № 17
| f(x1, x2) | gi (x1, x2) ≤ 0, i = 1,m |
| 2(х1 – 2)2 + (х2 – 7)2 | х1 + 2х2 - 8 |
| -х1 - 2 | |
| - х2 - 3 |
вариант № 18
| f(x1, x2) | gi (x1, x2) ≤ 0, i = 1,m |
| (х1 – 5)2 + (х2 + 3)2 | 2х1 - х2 - 4 |
| -х1 - х2 - 1 | |
| х2 - 3 |
вариант № 19
| f(x1, x2) | gi (x1, x2) ≤ 0, i = 1,m |
| (х1 + 4)2 + 2(х2 + 2)2 | х1 – 2 |
| -3х1 – х2 – 6 | |
| х2 – 1 |
3.2.Задания по методам численной оптимизации для выполнения второй части курсовой работы
Каждый вариант задания по второй части курсовой работы включает по два метода безусловной численной оптимизации в сочетании (если это необходимо) с методами одномерного поиска.
Численное решение конкретной задачи условной оптимизации, определяемой вариантом задания по первой части работы, должно осуществляться согласно методике сведения задачи условной оптимизации к последовательности задач безусловной численной оптимизации с помощью метода «Штрафных функций» (см. раздел 2.2).
Нижеследующие варианты задания по численным методам безусловной оптимизации (см. табл. 3.1) подобраны таким образом, чтобы трудоемкость их выполнения была примерно одинаковой как в части программирования самих методов, так и с точки зрения отладки и тестирования отдельных модулей, создаваемого в рамках работы программного обеспечения. При этом нумерация вариантов задания по второй части работы может не совпадать с нумерацией заданий первой части и их выдача определяется на усмотрение преподавателя, обеспечивающего проведение данной курсовой работы.
Таблица 3.1
| № вар. | методы безусловной оптимизации | методы одномерной оптимизации |
| 1 | 2 | 3 |
| 1 | Метод покоординатного спуска | Метод «Золотого сечения» |
| Метод градиентной оптимизации с дроблением шага | ||
| 2 | Метод деформируемого многогранника | |
| Метод простой градиентной оптимизации | ||
| 3 | Модифицированный метод наилучшей пробы | |
| Оптимальный градиентный метод | Метод дихотомии | |
| 4 | Метод простой случайной оптимизации | |
| Метод сопряженных градиентов | Метод «Золотого сечения» |
Продолжение Таблицы 3.1
| 1 | 2 | 3 |
| 5 | Метод случайной оптимизации с направляющей сферой | |
| Метод простой градиентной оптимизации | ||
| 6 | Модифицированный метод наилучшей пробы | |
| Метод Ньютона | ||
| 7 | Метод случайной оптимизации с направляющим конусом | |
| Метод градиентной оптимизации с дроблением шага | ||
| 8 | Метод покоординатного спуска | Метод дихотомии |
| Метод параллельных касательных | Метод дихотомии | |
| 9 | Метод деформируемого многогранника | |
| Метод Ньютона | ||
| 10 | Модифицированный метод наилучшей пробы | |
| Метод сопряженных градиентов | Метод «Золотого сечения» |
Продолжение Таблицы 3.1
| 1 | 2 | 3 |
| 11 | Метод простой случайной оптимизации | |
| Метод параллельных касательных | Метод простого перебора | |
| 12 | Метод случайной оптимизации с направляющей сферой | |
| Метод градиентной оптимизации с дроблением шага | ||
| 13 | Метод случайной оптимизации с направляющим конусом | |
| Оптимальный градиентный метод | Метод простого перебора | |
| 14 | Метод покоординатного спуска | Метод простого перебора |
| Метод сопряженных градиентов | Метод простого перебора | |
| 15 | Метод деформируемого многогранника | |
| Метод параллельных касательных | Метод дихотомии | |
| 16 | Модифицированный метод наилучшей пробы | |
| Метод простой градиентной оптимизации |
Продолжение Таблицы 3.1
| 1 | 2 | 3 |
| 17 | Метод простой случайной оптимизации | |
| Модифицированный метод Ньютона | ||
| 18 | Метод случайной оптимизации с направляющей сферой | |
| Оптимальный градиентный метод | Метод простого перебора | |
| 19 | Метод случайной оптимизации с направляющим конусом | |
| Метод параллельных касательных | Метод «Золотого сечения» |
4.рекомендации по формированию заключения и Приложений к курсовой работе
В заключении к курсовой работе должны быть отражены следующие результаты работы.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
