Получение математических моделей в приложениях Mathcad и Excel
В приложении Mathcadможно записать формулы приведенного выше алгоритма и вычислить коэффициенты функциональной зависимости.
Существуют также и встроенные функции для определения математических моделей. Например, пусть имеются значения х и у, полученные в результате проведения опытов. Надо найти математическую модель в виде полинома второй степени:
y = a0 + a1 × x + a2 × x2
Можно использовать для решения задачи встроенную функцию linfit. На листе Mathcadтогда нужно записать:
А:= linfit(Х, Y, F)
Вычисленные значения a 0, a 1, a 2 будут записаны в векторе А, который появится после ввода текста: A =
Для построения графика теперь можно определить значения:
i :=0..5 t := 0, 0.01..1 Z(t) := F(t)*A
Здесь Z(t) − искомая математическая модель. Если построить на одном графике зависимость Z(t) от t и зависимость Y i от X i, то можно сравнить, насколько хорошо полученный полином описывает данные опытов.
В приложении Excel предоставляется интересная возможность получения математических моделей через построение графиков функций.
Пусть имеются значения x 1, x 2, …, xn и соответствующие им значения y 1, y 2, …, y n. Надо для этих данных построить точечный график и выполнить команду Диаграмма/Добавить линию тренда. В появившемся окне на вкладке Тип определить вид математической модели, а на вкладке Параметры отметить флажок Показывать уравнение на диаграмме. После нажатия <О K > искомое уравнение появится на графике.
|
|
Модель многомерного объекта
Предположим, что технологический процесс можно описать математической моделью вида
y = b0 + b1×x1 +…+ bn×xn + b12×x1×x2 +…+ bn–1,n×xn–1×xn,
где y – выходной параметр процесса; b 0, b 1, …, bn – 1, n – искомые неизвестные коэффициенты процесса; x 1, …, xn – входные параметры процесса.
Соотношения такого вида называются уравнениями регрессии.
Например, для процесса (рис. 21.2), имеющего три входных параметра (фактора), математическая модель примет вид
y = b0 + b1 × x1 + b2 × x2 + b3 × x3 + b12 × x1 × x2 + b13 × x1 × x3 + b23 × x2 × x3.
Чтобы определить коэффициенты математической модели процесса необходимо провести эксперимент по соответствующему плану, например по плану полного факторного эксперимента.
Рис. 21.2. Многомерный объект |
zi = , i = 1, 2, 3.
Здесь xi0 – значение фактора на базовом (нулевом) уровне, равное среднему значению между минимальным и максимальным значениями; ∆xi – интервал варьирования по данному фактору.
|
|
В случае трех входных параметров план проведения эксперимента имеет вид, представленный на рис. 21.3.
|
В соответствии с методом наименьших квадратов производится вычисление коэффициентов:
Рис. 10.3. План эксперимента |
Коэффициент регрессии b (b 0, b 1, …, bn – 1, n.) считается значимым, если выполняется условие
, ,
где Sb – среднеквадратичная ошибка в определении коэффициентов регрессии; t Т – табличное значение критерия Стьюдента, которое выбирается для числа степеней свободы f1 = m – 1.
Для расчета дисперсии воспроизводимости нужно выполнить дополнительно m опытов (m < N) по любой строчке плана, например, при значениях входных факторов на базовом уровне.
В результате получаются дополнительные значения экспериментальных данных yd 1,yd 2, …, ydm.
|
|
Тогда
Sy2 = , yoc = , k = 1, …, m.
В табл. 10.1 приведены значения критерия Стьюдента.
Таблица 10.1
Значения критерия Стьюдента
Число степеней свободы f1 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
Значение коэффициента | 12.71 | 4.30 | 3.18 | 2.78 | 2.57 | 2.45 | 2.36 |
Если коэффициент не удовлетворяет критерию Стьюдента, то он считается незначимым и приравнивается к нулю.
Проверка адекватности (соответствия) полученного уравнения регрессии экспериментальным данным проводится с помощью критерия Фишера. Для этого вычисляются
, F = ,
где – оценка дисперсии адекватности; B – число значимых коэффициентов уравнения регрессии; y э j, y pj – экспериментальное и рассчитанное по найденной математической модели значения y в j-м опыте.
Определяется также табличное значение критерия Фишера F Т из табл. 21.2 по числу степеней свободы f 1 и числу степеней свободы f 2 = N – B.
Если F < F Т, то уравнение регрессии рассматривается как модель исследуемого процесса.
Таблица 10.2
Коэффициенты критерия Фишера
Число степеней свободы f1 | Число степеней свободы f2 | |||||
1 | 2 | 3 | 4 | 5 | 6 | |
1 | 161.40 | 199.50 | 215.70 | 224.60 | 320.20 | 234.00 |
2 | 18.51 | 19.00 | 19.16 | 19.25 | 19.30 | 19.33 |
3 | 10.13 | 9.55 | 9.28 | 9.12 | 9.01 | 8.94 |
4 | 7.71 | 6.94 | 6.59 | 6.39 | 6.26 | 6.16 |
5 | 6.61 | 5.79 | 5.41 | 5.19 | 5.05 | 4.95 |
6 | 5.99 | 5.14 | 4.76 | 4.53 | 3.39 | 4.28 |
7 | 5.99 | 4.74 | 4.35 | 4.12 | 3.97 | 3.97 |
|
|
Если полученное уравнение не адекватно процессу, то нужно перейти к более сложному виду математической модели, вновь провести опыты и обработать их результаты.
Если уравнение адекватно процессу, то нужно от кодированных переменных перейти к физическим.
МЕТОДЫ ОПТИМИЗАЦИИ
Задачу оптимизации в общем виде можно сформулировать так: определить значения входных параметров x 1, x 2, …, x n некоторого процесса, которые обеспечивают максимум или минимум целевой функции f ( x 1, x 2, …, xn ), характеризующей показатели процесса, и удовлетворяют ограничениям, если они присутствуют.
Метод сканирования
Рассмотрим использование метода сканирования на примере для оптимизации процесса, имеющего два входных параметра x 1 , x 2 и выходной параметр – y . Пусть требуется определить оптимальные значения x 1 и x 2, которые обеспечивали бы минимум целевой функции
y = f(x1, x2)
и удовлетворяли ограничениям:
a1 <= x1 <= b1, a2 <= x2 <= b2
g(x1, x2) > 0
(последнее ограничение может отсутствовать).
Метод сканирования заключается в нахождении значений x 1из интервала [ a 1, b 1] , начиная с a 1 и до b 1 с шагом h 1 и определении значений x 2 из интервала [ a 2, b 2], начиная с a 2 и до b 2 с шагом h 2. Для всех значений x 1 и x 2, удовлетворяющих ограничениям g(x1, x2) > 0, нужно вычислить значения целевой функции y = f(x1, x2).
Те значения x 1 и x 2, для которых значение целевой функции минимально, являются искомым решением.
Рассмотрим алгоритм метода сканирования:
1. Ввод исходных данных: a 1, b 1, h 1, a 2, b 2, h 2инекоторого числаA, заведомо большего, чем значение целевой функции.
2. Вычисление yopt = A, x1opt = a1, x2opt = a2.
3. x1 = a1
4. x2 = a2
5. Проверка ограничения: если ограничение не выполняется, т. е. g(x1, x2) <= 0, то переход к п. 8, иначе – переход к следующему пункту.
6. Вычисление целевой функции y = f(x1, x2).
7. Если y < yopt, то yopt = y, x1opt = x1, x2opt = x2 , иначе – переход к следующему пункту.
8. Вычисление x2 = x2 + h2.
9. Если x2 <= b2, то переход к п. 5, иначе – переход к следующему пункту.
10. Вычисление x1 = x1 + h1.
11. Если x1 <= b1, то переход к п. 4, иначе – переход к следующему пункту.
12. Вывод оптимальных значений x 1 opt,x 2 opt и минимального значения целевой функции yopt.
Метод случайного поиска
Рассмотрим применение метода случайного поиска для оптимизации процесса на примере, приведенном выше. Идея метода основана на многократном (N раз) вычислении целевой функции y для значений x 1 и x 2, выбранных из отрезков [ a 1, b 1] и [ a 2, b 2] случайным образом. Те значения x 1 и x 2, при которых целевая функция минимальна и удовлетворяются ограничения и являются решением.
Для определения случайного числа x на отрезке [ a, b ] можно использовать встроенную функцию Rnd. Тогда x = ( b – a ) × Rnd(1) + a.
Алгоритм метода случайного поиска:
1. Ввод исходных данных: a 1, b 1, a 2, b 2,количества опытовNичислаA, заведомо большего, чем значение целевой функции.
2. Вычисление yopt = A, x1opt = a1, x2opt = a2.
3. i = 1.
4. Вычисление x1 = (b1 – a1) × Rnd(1) + a1, x2 = (b2 – a2) × Rnd(1) + + a2.
5. Проверка ограничения: если g(x1, x2) <= 0 , то переход к п. 8, иначе – переход к следующему пункту.
6. Вычисление целевой функции y = f(x1, x2).
7. Если y < yopt,то yopt = y, x1opt = x1, x2opt = x2, иначе – переход к следующему пункту.
8. i = i + 1.
9. Если i <= N, то переход к п. 4, иначе – переход к п. 10.
10. Вывод оптимальных значений x 1 opt, x 2 opt и минимального значения целевой функции yopt.
Дата добавления: 2018-11-24; просмотров: 264; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!