Phát biểu của một vấn đề tối ưu hóa 8
- Thường là:
• Khối lượng của một vật hay chi tiết, cụm vật, v.v
• Ứng suất, độ bền
• Chuyển vị, độ cứng
• Giá thành, chi phí
• Hiệu suất, công suất, năng suấtPhát biểu của một vấn đề tối ưu hóa 9
Thường là các điều kiện liên quan đến:
- ngưỡng giới hạn của một hiện tượng vật l{ nào đó
- ngưỡng giới hạn của yêu cầu kỹ thuật về kích thước, khối
lượng, ứng suất, biến dạng, tần số dao động, năng suất, độ
nhám bề mặt, sai số, v.v
52 trang |
Chia sẻ: thanhle95 | Lượt xem: 393 | Lượt tải: 0
Bạn đang xem trước 20 trang tài liệu Bài giảng Tối ưu hóa trong thiết kế cơ khí - Chương I: Những khái niệm cơ bản, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
Trường Đại học Công nghiệp thành phố Hồ Chí Minh
Khoa Công nghệ Cơ khí
CHƯƠNG I:
NHỮNG KHÁI NIỆM CƠ BẢN
Thời lượng: 6 tiết (2 buổi)
2
Các tình huống tối ưu hóa trong thiết kế Cơ khí
31 dm minV S
h
a
a
3
Các tình huống tối ưu hóa trong thiết kế Cơ khí
Cho dầm với mặt cắt hình tròn đặc với đường kính d, được
làm từ vật liệu có khối lượng riêng ρ. Chiều dài dầm là L.
Tìm đường kính d để khối lượng dầm là tối thiểu, biết tần số
dao động riêng thứ nhất của nó không được vượt quá giá trị
f
4
Các tình huống tối ưu hóa trong thiết kế Cơ khí
Tìm d, D, N để lò xo nhẹ nhất
mà vẫn đảm bảo các điều
kiện:
- Về độ cứng
- Về độ bền
- Về tần số dao động
5 Phân dạng các vấn đề tối ưu hóa
Tối ưu hóa
Không ràng
buộc
Có ràng
buộc
Phát biểu của một vấn đề tối ưu hóa
1
2
n
x
x
x
XTìm
Để hàm f(X) nhỏ nhất
1
2
n
x
x
x
XTìm
Để hàm f(X) nhỏ nhất
và phải thỏa mãn các
điều kiện ràng buộc
6
Phát biểu của một vấn đề tối ưu hóa
7
Phát biểu của một vấn đề tối ưu hóa
- Thường là:
• Kích thước của các kết cấu (dài, góc)
• Các thuộc tính vật liệu (khối lượng, nhiệt độ, )
- Giá trị của các tham biến thường nằm trong 1 khoảng giới hạn
- Tham biến có thể là một số thực, rời rạc, số nhị phân, số
nguyên
8
Phát biểu của một vấn đề tối ưu hóa
- Thường là:
• Khối lượng của một vật hay chi tiết, cụm vật, v.v
• Ứng suất, độ bền
• Chuyển vị, độ cứng
• Giá thành, chi phí
• Hiệu suất, công suất, năng suất
9
Phát biểu của một vấn đề tối ưu hóa
Thường là các điều kiện liên quan đến:
- ngưỡng giới hạn của một hiện tượng vật l{ nào đó
- ngưỡng giới hạn của yêu cầu kỹ thuật về kích thước, khối
lượng, ứng suất, biến dạng, tần số dao động, năng suất, độ
nhám bề mặt, sai số, v.v
10
Tính lồi lõm (Convexity)
Tập hợp lồi
Tập hợp không lồi
11
Tính lồi lõm (Convexity)
12
Tính lồi lõm (Convexity)
Khái niệm lồi – lõm quan trọng để
xác định hàm số chỉ có 1 giá trị cực
tiểu. Một hàm lồi sẽ có 1 cực tiểu
toàn cục. Nếu hàm không lồi thì cực
trị có thể chỉ là địa phương.
Cực trị địa
phương
Cực trị toàn cục
Hàm số có nhiều hơn 1 cực đại và
cực tiểu gọi là hàm đa phương thức
(Multimodal function)
13
Cực tiểu toàn
cục chặt chẽ
Không có cực tiểu
toàn cục chặt chẽ
Cực tiểu toàn cục
không chặt chẽ
Cực tiểu cục bộ chặt chẽ
(toàn cục)
Cực tiểu cục
bộ chặt chẽ
Cực tiểu cục bộ
không chặt chẽ
Cực tiểu cục
bộ chặt chẽ
14
Tính lồi lõm (Convexity)
Các kỹ sư không chỉ
quan tâm đến cực trị
toàn cục (Global
Optimum) mà còn cần
quan tâm đến các cực
trị địa phương và các
cực trị trong điều kiện
ràng buộc. Vì không
phải lúc nào cũng có
thể sử dụng thiết kế
theo cực trị toàn cục
do bị các ràng buộc kỹ
thuật khác từ chối.
15
Tính lồi lõm (Convexity)
Nếu f(x) là hàm lồi thì –f(x) sẽ là hàm lõm
Chính vì vậy ta có: min maxf x f x
16
Đạo hàm (độ dốc) của hàm số f(x)
Tiếp tuyến Phương của độ dốc thể hiện sự
thay đổi giá trị của hàm số một
cách lớn nhất. Độ dốc cung cấp
thông tin cần thiết về phương
hướng tìm kiếm cực trị (cực đại
hoặc cực tiểu) địa phương của
hàm số.
Trong hầu hết các bài toán tối ưu,
khi mà hàm số f(x) là phi tuyến thì
đạo hàm (độ dốc) thường được
tính bằng phương pháp số.
Đối với hàm 1 biến số thì tiếp
tuyến tại mọi điểm của đồ thị và
độ dốc của nó là như nhau.
17
Phương pháp số để tính đạo hàm
18
Phân định cực đại hay cực tiểu
Cực đại Cực tiểu
0f x
0f x
0f x
Điểm uốn
0f x
19
Độ dốc của hàm nhiều biến
1 2, , , , nf x x xx x
1
2
n
f
x
f
xf
f
x
x
20
Tiếp tuyến và độ dốc của hàm 2 biến
3 1 2 1 2, sinx f x x x x
Giao tuyến giữa các mặt phẳng song song với mặt phẳng x1x2 với bề mặt hàm số
sẽ tạo ra các đường đồng mức, mà ở đó giá trị của hàm số tại mọi điểm trên
những đường này đều bằng nhau.
21
Tiếp tuyến và độ dốc của hàm 2 biến
3 1 2 1 2, sinx f x x x x
Chiều của mũi tên là chiều mà giá trị hàm f tăng
22
Tiếp tuyến và độ dốc của hàm 2 biến
Độ dốc vuông góc với các tiếp
tuyến với các đường đồng mức
của hàm số. Hay nói cách khác:
Độ dốc chính là véctơ Pháp tuyến
với đường cong
23
Ma trận Jacobian
Xét m hàm số n biến: 1 1 2 2 1 2 1 2, , , , , , , , , , , ,n n m nf x x x f x x x f x x x
Độ dốc của những hàm này có thể được đặt trong 1 ma trận
Jacobian:
1 1 1
1 2
2 2 2
1 2
x
1 2
n
n
m n
m m m
n
f f f
x x x
f f f
x x x
f f f
x x x
J
Đối với các bài toán tối ưu hóa có ràng buộc, có thể
việc di chuyển theo hướng độ dốc sẽ dẫn đến việc di
chuyển vào vùng không hợp lệ (infeasible region).
Trong trường hợp như vậy, người ta có thể di chuyển
theo một số hướng tìm kiếm khác, và khi đó ta sẽ cần
biết tốc độ thay đổi giá trị của hàm số theo những
hướng đó.
Đạo hàm định hướng (The directional derivative) sẽ
cung cấp thông tin về vận tốc thay đổi giá trị tức thời
của hàm số theo một hướng nhất định.
Nếu u là một véc tơ đơn vị, thì đạo hàm định hướng của hàm f(x)
theo hướng của u được tính bởi công thức:
T
f x u
24
Ý nghĩa của đạo hàm định hướng
MAX
e
f x
u
T
f x u
Rào cản ràng buộc
25
Ma trận Hessian
Xét hàm số n biến: 1 2, , , nf f x x xx
Ma trận Hessian được định nghĩa:
2 2 2
2
1 1 2 1
2 2 2
2
2 1 2 2
2 2 2
2
1 2
n
n
n n n
f f f
x x x x x
f f f
x x x x x
f f f
x x x x x
H
1. Ma trận Hessian là một ma trận đối xứng
2. Ma trận Hessian phải dương tại điểm cực tiểu của hàm số
3. Ma trận Hessian phải âm tại điểm cực đại của hàm số
26
Bài tập ví dụ 1
Cho hàm 3 biến số: 2 2 21 2 3 1 1 2 2 3 2 3, , 2 3 4 5f f x x x x x x x x x x x
Yêu cầu:
1. Tìm Gradient và ma trận Hessian của hàm số
2. Tìm đạo hàm định hướng của hàm f tại điểm (1,1,1) theo
hướng của véctơ d=[1,2,3]T
Gradient:
Hessian:
Véctơ đơn vị của d:
tại điểm (1,1,1)
Đạo hàm định hướng:
27
Xấp xỉ tuyến tính và bậc 2
Dãy Taylor được dùng để xấp xỉ hóa hàm số n biến:
1
2
T Tf f f f 0 0 0 0x x Δx x x Δx Δx H x Δx
0 0x x Δx Δx x xVới:
Xấp xỉ tuyến tính (The Linear Approximation):
T
f l f f 0 0 0x x x x x x
Xấp xỉ bậc hai (The Quadratic Approximation):
1
2
T T
f q f f 0 0 0 0 0 0x x x x x x x x H x x x
Để tính toán cần tính
sẵn các véctơ và ma
trận sau đây:
f
f f
0
0
0
0
x x
x
x x
H x H x
Chú {, dĩ nhiên là
f(x)≈l(x)≈q(x) khi x≈x0
28
Ý nghĩa của việc xấp xỉ
1
2
T T
l
q
f f f 0 0 0 0 0 0
x
x
x x x x x x x H x x x
0 0x
29
Bài tập ví dụ 2
Hãy xây dựng xấp xỉ tuyến tính và xấp xỉ bậc 2 của
hàm số sau tại điểm (2,1) và kiểm tra lại giá trị của
hàm số, giá trị của các xấp xỉ tại điểm lân cận của
nó là (1.9,1.1)
12
2
3
x
f x
x
x
Dựa theo quy trình
tính, ta có:
1 2
1
2
2
1
2
2
2
2
1
2 3
2 2
2 1 ;
2
1
1
1
1
5
3
1
0
0 1
2 1 41
T T
x x
x
x
f
x
f f
x
x
x
x
x x
0
0
0
0
0
x x
x x
x
x x
H x H x
30
Bài tập ví dụ 2 (tiếp)
Xấp xỉ tuyến tính và xấp xỉ bậc 2 sau khi rút gọn có dạng:
2
1 2 2 1 22 2 7 2x x x x x
1.9,1.1
1.9,
1.572727
11.1
1.9,1.
.6
1 1.57
f
l
q
Xấp xỉ bậc 2 chính xác
hơn xấp xỉ tuyến tính
31
0.1
1 1 5 1 1 0.1 5 0.1 1.6
0.1
0 1 0.11 1
1.6 0.1 0.1
1 4 0.12 2
0.11
1.6 0.1 0.5
0.12
1
1.6 0.01 0.05 1.57
2
T
T
l f f
q l
0 0 0
0 0 0
x x x x x
x x x x H x x x
2
1
2
2
2
2
1
2 3
2 2
2 1 1.9 2 0.1
1.1 1 0.11.9 1.1
1
1
1
5
3
1
0
0 1
2 1 41
T
T
f
x
f f
x
x
x
x
x x
0
0
0
0
0
x
x x
x
x
x x
H x H x
12
2
3
x
f x
x
x
32
Phép khử Gauss và phần tử cơ sở
(Gaussian Elimination and Pivot Elements)
0
.
.
.
0
0
.
.
.
0
0
.
0 0
0
0
0
.
.
.
0
0
.
.
.
0
0
.
0
0
.
.
.
0
0
.
.
.
0
0
.
.
.
0
Sau i=1 Sau i=2 Sau i=3 Sau i=n-1
Dạng bậc thang
(Row Echelon Form)
0
.
.
.
0
0
.
.
.
0
0
.
0 0
0
0
Phần tử cơ sở ≠ 0
(Pivot Elements)
33
Hạng (Rank) của ma trận
Nếu B là một ma trận bậc thang thì hạng (rank) của B bằng số hàng
khác 0 của nó
Các phép biến đổi sơ cấp
không làm thay đổi hạng của
ma trận Ta sẽ đưa ma trận
bất kz A về ma trận bậc thang
B. Từ đó hạng của A cũng sẽ là
hạng của B: rank(A)=rank(B)
34
1 1
2 2 1
3 3 1
4 4 1
2 2
1
23
5
4
3
8
2 5
1 0
3 32 5
3 2 5 0 1 0 8 11
3 3 0 1
2 4 7 1 3 32 4 7 1
5 2 6 3 4 43
5 2 6 3 0 3
3 34 3 1 2
4 3 1 2
17 17
0 2
3 3
2
1
R R
R R R
R R R
R R R
R R
A
3 3 2 3 3
4 4 2
4 2
3 25
17
3
5 2 52 5
0 1 01 0
3 3 3 33 3
11 3 11 311 3
0 1 0 10 1
8 8 8 88 8
4 43 125 5
0 3 0 0 10 0
3 3 52 2
17 3317 17 17 33
0 00 2 0 0
8 83 3 8 8
R R R R R
R R R
4 4 3
17
8
2 5
1 0
3 3
11 3
0 1
8 8
1
0 0 1
5
37
0 0 0
10
R R R
Tìm hạng của ma trận A:
4 hàng khác 0 Rank(A) = 4
35
REDUCED ROW ECHELON FORM
1 1
2 1 2
3 1 3
2 2
3 3
1
12
1
2
2
5
3 7 1
3 7 1 1 1
1 1 2 2 22 3 2 7 1 2 2 2
1 13 11
1 1 1 3 6 1 1 1 3 6 0 2
2 2 2
1 1 1 5 4 1 1 1 5 4
5 17 7
0 2
2 2 2
3 7
1 1
2 2
0 1 4 13
4 1
0 1
5
R R R R R
R R R
R R
R R
A
3 2 3
3 3
2 3 2
1 3 1
1
5
416
1 3 7 1
1 1
2 2 2 2
11 0 1 4 13 11
7 7 16 48 48
0 0
5 5 5 5 5
3 7 1 3 7 1
1 1 1 1
2 2 2 2 2 2
0 1 4 13 11 0 1 0 1 1
0 0 1 3 3 0 0 1 3 3
R R R
R R
R R R
R R R
1 2 1
3
2
3 1 7
1 0
1 0 0 1 22 2 2
0 1 0 1 1 0 1 0 1 1
0 0 1 3 3 0 0 1 3 3
R R R
36
REDUCED ROW ECHELON FORM
7 2 5 4 1
3 6 7 2 8
2 4 2 9 4
A
3711
1 0 0
4812
31 7
0 1 0
24 48
0 0 1 1 15
16
A
37 Giá trị riêng (Eigenvalues) và
Véctơ riêng (Eigenvector)
Cho ma trận vuông [A] kích thước (n x n). λ là giá trị riêng, và là
véctơ riêng của ma trận [A], nếu thỏa mãn điều kiện sau:
x1 x1x
1
n nn n
A v v
Giá trị riêng λ là nghiệm của phương trình sau:
x x x
det det 0; 2
n n n n n n
Δ A I
Trong đó:
x x xn n n n n n
Δ A I
- Là ma trận đặc trưng
(Characteristic Matrix)
- Là phương trình đặc trưng
(Characteristic Equation)
Phương trình (2) có n nghiệm: λ1,λ2,, λn. Mỗi nghiệm λi có véctơ
riêng .
38 Giá trị riêng (Eigenvalues) và
Véctơ riêng (Eigenvector)
1
2
x1n
n
L
- Là ma trận (của) véctơ riêng
1 2
x
x1 x1 x1
n
n n
n n n
V v v v
- Là véc tơ (của)
giá trị riêng
Có nghĩa là chúng ta sẽ có n đẳng thức sau:
1 1 1
x1 x1x
x1 x1x
n nn n
n n n
n nn n
A v v
A v v
39 Giá trị riêng (Eigenvalues) và
Véctơ riêng (Eigenvector)
Khi có λi ta làm như sau để tìm véctơ riêng :
x1 x1 x1x x x
x x1
i i i i i
n n nn n n n n n
n n n
Δ
A v v A I v 0
Δ 0 Dùng phép khử Gauss để đưa về dạng bậc
thang (Reduced Row Echelon Form)
40 Giá trị riêng (Eigenvalues) và
Véctơ riêng (Eigenvector)
3x3
1 3 3
3 5 3
6 6 4
A
Tìm giá trị riêng và véctơ riêng
của ma trận sau:
1. Tính ma trận đặc trưng (Characteristic Matrix)
3x3 3x3 3x3
1 3 3
3 5 3
6 6 4
Δ A I
2. Tính phương trình đặc trưng (Characteristic Equation)
23
3x3
det 12 16 4 2 0
Δ
3. Giải phương trình đặc trưng ta có 3 nghiệm λ, từ đó có véctơ giá trị
riêng:
3x1
4 2 2
T
L
41 4.1. Tìm véctơ riêng của giá trị riêng λ1 = 4:
1
1 2
3x143x3 3x3
3
3 3 3 0
3 9 3 0
6 6 0 0
R
R
R
A I 0
1
3x1
1
2
1
2
1
v
42 4.2. Tìm véctơ riêng và của giá trị riêng λ2 = λ3 = -2:
1
2 2
3x123x3 3x3
3
3 3 3 0
3 3 3 0
6 6 6 0
R
R
R
A I 0
2 3
3x1 3x1
1 1
0 ; 1
1 0
v v
1 2
3x3
3x1 3x1 3x1
1 1 1
2
1 0 1
2
1 1 0
n
V v v v
- ma trận (của) véctơ riêng
43 Ma trận Hessian xác định dương
(Positive Definite Hessian Matrix)
Ma trận Hessian sẽ là xác định dương nếu toàn bộ giá trị riêng của
nó mang dấu +
3 2
2 1 0
1 2 1 det 6 10 4 0
0 1 2
2 0
0.585786438 0
3.414213562 0
Eiv
A I
Ma trận xác định dương
2 1 0
1 2 1
0 1 2
A
Ma trận đối xứng
Chú {: Do ma trận Hessian là ma trận đối xứng nên các giá trị riêng
λi của nó luôn là các số thực chứ không phải số phức.
44 Ma trận Hessian xác định dương
(Positive Definite Hessian Matrix)
Ma trận Hessian sẽ là xác định dương nếu toàn bộ giá trị của các
phần tử cơ sở (pivot) của nó đều dương
Toàn bộ các phần tử cơ sở >0
nên ma trận này xác định
dương
2 2 1
3 3 2
1
2
3
2
3
2 1 0
1 2 1
0 1 2
2 1 0
0 3 2
0 1 2
2 1 0
0 3 2
0 0 4
R R R
R R R
R
A R
R
Ma trận đối xứng
45 Ma trận Hessian xác định dương
(Positive Definite Hessian Matrix)
Ma trận Hessian sẽ là xác định dương nếu toàn bộ định thức của
các ma trận thành phần tính từ điểm bên trái trên cùng lớn hơn 0
11 12 13 14
21 22 23 24
31 32 33 34
41 42 43 44
a a a a
a a a a
A
a a a a
a a a a
1 11
11 12
2
21 22
11 12 13
3 21 22 23
31 32 33
11 12 13 14
21 22 23 24
4
31 32 33 34
41 42 43 44
0
0
0
0
A a
a a
A
a a
a a a
A a a a
a a a
a a a a
a a a a
A
a a a a
a a a a
46 Ma trận Hessian xác định dương
(Positive Definite Hessian Matrix)
2 1 0
1 2 1
0 1 2
A
Ma trận đối xứng
1
2
3
2 0
2 1
3 0
1 2
2 1 0
2 1 1 1 1 2
1 2 1 2 1 0 4 0
1 2 0 2 0 1
0 1 2
A
A
A
Toàn bộ các định thức thành phần >0 nên ma trận này xác định
dương
Cách này vất vả trong tính toán
47
Tính lồi lõm (Convexity)
1 2, , , , nf x x xx xHàm nhiều biến là hàm lồi nếu với mọi
cặp điểm 1 1 1 1 2 2 2 2
1 2 1 2;
T T
n nx x x x x x
x x
và λ thuộc khoảng 0 1 thỏa mãn điều kiện sau:
2 1 2 11 1f f f x x x x
1
x
2
x
2 11x x
1f x
2f x
2 11f x x
2 11f x f x
48
Tính lồi lõm (Convexity)
1 2, , , , nf x x xx xHàm nhiều biến là hàm lõm nếu với mọi
cặp điểm 1 1 1 1 2 2 2 2
1 2 1 2;
T T
n nx x x x x x
x x
và λ thuộc khoảng 0 1 thỏa mãn điều kiện sau:
2 1 2 11 1f f f x x x x
1
x
2
x
2 11x x
1f x
2f x
2 11f x x
2 11f x f x
49
Tính lồi lõm (Convexity)
1 2, , , , nf x x xx xHàm nhiều biến là hàm lồi nếu ma trận
Hessian của nó [H] là bán xác định dương (positive semidefinite)
Bất cứ một cực tiểu địa phương (Local minimum) nào của một
hàm số lồi f(x) đều là cực tiểu toàn cục (Global minimum)
50
Tính lồi lõm (Convexity)
Xác định tính lồi – lõm của các hàm số sau:
a)
2
2
16 0
d f
x
dx
H
2
2
0x
d f
e x
dx
H Hàm số lồi chặt chẽ
b) Hàm số lõm chặt chẽ
c)
2 2
2
1 1 2 1
2 2
2
2 1 2
18 0
0 12
f f
x x x x
f f
x x x
H
Theo định nghĩa 2 của ma trận xác
định dương, do -12<0, nên ma trận
này không thể dương. Nếu x1 < 0 thì
ma trận này xác định âm Hàm lõm
51
Tính lồi lõm (Convexity)
d)
2 1 2 3 2 3
3 1 3
2 2 2
2
1 1 2 1 3
2 2 2
2
2 1 2 2 3
2 2 2
2
3 1 3 2 3
3 1
4 2
1
8
8 6 1
6 6 0
1 0 10
8 6 18 6 1
3 3 3
0 0
2 4
3 79
0
4 8
R R R R R R
R R R
f f f
x x x x x
f f f
x x x x x
f f f
x x x x x
H
3
2 4
19
0 0
2
Đưa về dạng bậc thang
bằng phép khử Gauss để
xét dấu các pivot
Các phần tử
cơ sở đều
dương do đó
ma trận
Hessian xác
định dương
Hàm f lồi trên toàn miền số thực của x1, x2, x3
52
Ôn tập về đạo hàm