МИНИСТЕРСТВО ОБРАЗОВАНИЯ РЕСПУБЛИКИ БЕЛАРУСЬ

Белорусский национальный технический университет

Кафедра “Организация автомобильных перевозок и дорожного движения”

ЛАБОРАТОРНЫЕ РАБОТЫ

По дисциплине “Математические модели в транспортных системах ”

для студентов специальности 44.01.02
“Организация дорожного движения”

Минск 2005

Лабораторная работа № 1
 ФОРМАЛИЗАЦИЯ ПОСТАНОВОК НАУЧНО-ТЕХНИЧЕСКИХ
ЗАДАЧ, РАЗРАБОТКА МОДЕЛЕЙ

1. Цель работы
1.1. Ознакомиться с основными понятиями математического моделирования.
1.2. Приобрести практические навыки разработки математических моделей и
алгоритмов решения инженерных задач.

2. Исходные данные

2.1. Зависимость затрат Z1 на перевозку груза от величины максимально

допустимой скорости V0:
Z1= (a0 + al*V0) / V0 ;
зависимость затрат Z2, связанных с аварийностью, от величины максимально
допустимой скорости:

изменения Z2b0b1*V0b2*V0 максимально

2
пределы допустимой
скорости:
40<=V0<=80 км/ч

2.2. Значения коэффициентов а0, al, b0, bl и b2 принимаются

по табл. 1 в зависимости от номера варианта.
Таблица 1
Варианты исходных данных

N а0
Вари- А В а1 в0 в1 в2
нта
1 2 3 4 5 6 7
1 1100 2500 7.8 2.0 0.20 0.0034
2 1200 2600 7.6 2.1 0.25 0.0032
3 1300 2700 7.4 2.2 0.30 0.0030
4 1400 2800 7.2 2.3 0.35 0.0028
5 1500 2900 7.0 2.4 0.40 0.0026
6 1600 3000 6.8 2.5 0.45 0.0024
7 1700 3100 6.6 2.6 0.50 0.0022
8 1800 3200 6.4 2.7 0.55 0.0020
9 1900 3300 6.2 2.8 0.60 0.0018
10 2000 3400 6.0 2.9 0.65 0.0016
11 2100 3500 5.8 3.0 0.70 0.0014
12 2200 3600 5.6 3.1 0.75 0.0012
13 2300 3700 5.4 3.2 0.80 0.0010
14 2400 3800 5.2 3.3 0.85 0.0008

3. Содержание работы.

3.1. Разработать математическую модель для исследования зависимости

суммарных затрат от максимально допустимой скорости.
3.2. Составить алгоритм и программу моделирования.
3.3. Провести исследование на ЭВМ с целью минимизации суммарных затрат.
Оптимизацию проводить при значениях шага
dV = 1, 2, 5 и 10 км/ч.

4. Теоретические основы работы

Основные этапы формализации задачи состоят в следующем:

1) задание цели, которая определяет желаемое состояние системы или желаемый
результат ее поведения;
2) для количественной оценки степени достижения цели задается целевая функция
W, которая в процессе решения задачи сводится к минимуму или максимуму;
3) максимизация или минимизация целевой функции достигается за счет введения
входных воздействий (управляемых параметров)
X = (xl, х2,...хn);
4) для количественной характеристики результатов функционирования системы
задаются выходные параметры Y(t) = [yl (t), y2 (t),...,ym (t)] , на которые можно
влиять посредством входных воздействий и которые являются аргументами целевой
функции;
5) влияние окружающей среды на функционирование системы учи тывается
введением неуправляемых параметров U = (ul, u2,...ur) ;
6) для характеристики исследуемой системы задаются параметры системы
Н =(hl, h2,...hp);
7) при необходимости следует учесть ограничения, которые мо гут налагаться на
управляемые , неуправляемые и выходные параметры,
Результатом формализации задачи является математическая модель
функционирования исследуемой системы. В общем случае математическая модель
состоит из следующих зависимостей:
yi (t) = fi (X, U, Н, t), i = l,2,...m;
W = W(Y);
Fj (X, U,Y) >= 0, j=1,2,…,k,
где fi - функции, воспроизводящие отдельные подпроцессы, протекающие в
системе;
Fj - функции, воспроизводящие ограничения.
Значения управляемых параметров, при которых выполняются ограничения,
называются допустимыми решениями. В результате моделирования необходимо
определить такие значения управляемых параметров X, которые являются
допустимыми решениями и обращают в максимум или минимум целевую функцию W.
 5. Содержание отчета

5.1. Цель работы

5.2. Исходные данные
5.3. Математическая модель задачи
5.4. Схема алгоритма моделирования
5.5. Распечатка программы и результатов расчета
5.6. График зависимости затрат Zl, Z2 и суммарных затрат W от скорости V0
при шаге dV = 10 км/ч
5.7. Выводы
 Лабораторная работа № 2

ПРИНЯТИЕ РЕШЕНИЙ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ

1. Цель работы

Изучить принципы принятия решений при неопределенном состоянии внешней

среды.

2. Исходные данные

2.1. Параметры А, В и С для расчета полезности результатов принимаются по

табл. 1 в зависимости от номера варианта.

Таблица 1
Варианты значений исходных параметров

N варианта 1 2 3 4 5 6 7 8 9 10 11 12 13 14
A 1 3 2 2 4 6 5 7 3 4 8 8 3 7
B 2 4 5 6 5 3 4 2 5 3 6 7 2 5
C 3 1 1 3 6 4 2 1 6 7 5 4 8 3

2.2. Количество стратегий М и количество возможных состояний среды N

принимается по одному из двух вариантов:
1) М=4, N=6;
2) М=6, N=4;

3. Содержание работы

3.1. В соответствии с указаниями, приведенными в п.2.4.1 составить алгоритм

заполнения матрицы полезности результатов и вывода матрицы на печать в виде
таблицы.
3.2. Разработать алгоритм и программу для определения оптимальной стратегии в
условиях неопределенности по критерию Лапласа.
3.3. В соответствии с заданной матрицей полезности результатов рассчитать
оптимальную стратегию.

4. Теоретические основы работы

4.1. Полезность результата U(I,K), которая достигается путем использования стратегии

Х(I) при состоянии среды S(K), рассчитывается следующим образом:
U(l,l) = -10*А;
U(2,l) = -11*В;
U(3,l) = -12*С;
U(4,l) = -13*(А+В);
U(5,1) = -14*(B+C);
U(6,1) = -15*(A+B);

Для остальных элементов матрицы ;

U(I,K) = U(I,K-1) + ABS(U(I,1)) + K – I,
K=2…N; I=1…M
 Получаемые значения U(I,K) следует заносить в матрицу полезности результатов,
которая составляется по форме, приведенной в табл. 2

Таблица 2
Матрица полезности результатов

S(K)
X(I) S(l) S(2) … S(N)

X(l) U(l,l) U(l,2) … U(1,N)

X(2) U(2,l) U(2,2) … U(2,N)

… … … … ….

X(M) U(M,1) U(M,2) … U(M,N)

2.4.2. Для определения оптимальной стратегии по критерию Лапласа

используется следующее решающее правило:
где L - maxN
K 1
N

N
U(I, K)

полезность, соответствующая
оптимальной стратегии. Lmax[( 
x(i ) K1
U(I,K))
/ N]
В соответствии с приведенным решающим
правилом для каждой стратегии необходимо определить среднюю полезность
результата (предполагается, что появление любого состояния среды равновероятно), а
затем из полученного ряда средних полезностей выбрать максимальное значение L. Та
стратегия Х(I), которой соответствует максимальная средняя полезность L, и
является оптимальной.

5. Содержание отчета

5.1. Цель работы

5.2. Исходные данные
5.3. Матрица полезности результатов
5.4. Схема алгоритма принятия решения по критерию Лапласа
5.5. Распечатка программы и результатов расчета
5.6. Выводы

Лабораторная работа № 3
 ПРИМЕНЕНИЕ МЕТОДОВ ЧИСЛЕННОГО ИНТЕГРИРОВАНИЯ В
МАТЕМАТИЧЕСКИХ МОДЕЛЯХ

1. Цель работы. Приобретение практических навыков разработки и реализации

математических моделей, содержащих интегралы от таблично заданных функций.
2. Исходные данные

2.1. Значения ускорения обгоняющего автомобиля j в зависимости от его скорости V1,

скорость обгоняемого автомобиля V2 и шаг интегрирования V1 принимаются по табл.1
в соответствии с номером варианта.

2.2. Габаритная длина обгоняющего автомобиля L1=4 м, обгоняемого ─ L2=15 м.

2.3. Принять, что обгоняемый автомобиль движется с постоянной скоростью

V2=const и перед началом обгона скорости обгоняемого и обгоняющего автомобилей
равны V1н=V2.

Таблица 1
Варианты исходных данных

Скорость V1, м/с Шаг ин-

Вари- Скорость тегриро-
ант 7.5 12.2 16.9 21.5 26.2 V2, м/с вания
V1, м/с
Ускорение J, м/с2
1 1.28 1.31 1.22 1.06 0.78 15(14)
2 1.34 1.37 1.28 1.11 0.82 15(14)
3 1.41 1.44 1.34 1.17 0.86 16(15)
4 1.47 1.50 1.40 1.22 0.90 16(15) 0.25
5 1.22 1.25 1.16 1.01 0.74 14(13)
6 1.15 1.18 1.10 0.95 0.70 13(12)
7 1.09 1.11 1.04 0.90 0.66 12(11)
Скорость V1, м/с Шаг ин-
Вари- Скорость тегриро-
ант 11.0 17.7 24.5 31.5 38.0 V2, м/с вания
V1, м/с
Ускорение J, м/с2
8 0.85 0.78 0.67 0.42 0.118 17(16)
9 0.89 0.82 0.70 0.44 0.124 18(17)
10 0.93 0.86 0.74 0.46 0.130 19(18)
11 0.98 0.90 0.77 0.48 0.136 20(19) 0.5
12 0.81 0.74 0.64 0.40 0.112 16(15)
13 0.76 0.70 0.60 0.38 0.106 15(14)
14 0.72 0.66 0.52 0.36 0.100 14(13)

3. Содержание работы
 3.1. Составить математическую модель, алгоритм и программу для расчета на
ЭВМ текущего времени обгона и координаты пути обгоняющего автомобиля в
зависимости от его скорости в процессе обгона.
3.2. В соответствии с исходными данными построить график зависимости ускорения
от скорости автомобиля.
3.3. Рассчитать на ЭВМ время и путь, необходимые для обгона. В процессе расчета
значения ускорения, определяемые по графику, вводить в ЭВМ на каждом шаге
интегрирования. На каждом шаге печатать текущие значения скорости и ускорения
обгоняющего автомобиля, времени обгона и пути, пройденного обгоняющим и
обгоняемым автомобилями.
3.4. Построить графики зависимости пути, проходимого обгоняющим и
обгоняемым автомобилями, от времени (графики "путь─время")

4. Теоретические основы работы

Схема обгона и примерный вид графиков зависимости пути от времени приведены на

рис. 1.
Путь S1о, пройденный обгоняющим автомобилем 1 за время обгона, складывается из
пути S2о пройденного за время обгона обгоняемым автомобилем 2, расстояний D1 и D2
между автомобилями соответственно до и после обгона, габаритных длин автомобилей
L1 и L2:

S1o=S2o+D1+D2+L1+L2. (1)

Расстояния D1 и D2 определяются по эмпирическим формулам

D1=0.05V12+4,
D2=0.75D1,
где скорость обгоняющего автомобиля V1 подставляется в м/с.
S

1 L1
S1(t)
D2
2

S1o S2o S2(t)

1 2

2 L2

t
1 D1 t об
о
Рис. 1

Из формулы ускорения

j(dV )  dV1/ dt
получим выражение для определения приращения времени dt в зависимости от
приращения скорости dV1:
dt  dV 1 / j (V 1)
Текущее время обгона, как функция скорости обгоняющего
автомобиля, определяется путем ( 2) интегрирования уравнения (2):
V1
Путь t(V1)  dV1/ j(V1) S1(t),пройденный обгоняющим
(3)
автомобилем к V1н
моменту времени t от начала обгона,
вычисляется в t
результате нахождения интеграла:
Поскольку S1(t )  V 1dt зависимость j(V1) задана таблично и
текущие значения 0 (4)
ускорения на каждом шаге
интегрирования определяются по графику, то интегралы (3) и
(4) следует определять численным методом. Для этого уравнения (3) и (4) необходимо
привести к соответствующему виду. Так как скорость обгоняемого автомобиля постоянна,
путь, пройденный им за время t, равен:
S2(t)=V2*t
Расчет заканчивается при выполнении условия окончания обгона, которое может
быть получено на основании уравнения (1).

5. Содержание отчета

5.1. Цель работы.

5.2. Исходные данные.
5.3. График зависимости ускорения от скорости автомобиля.
5.4. Схема обгона и расчетные формулы.
5.5. Схема алгоритма расчета.
5.6. Распечатка программы для ЭВМ.
5.7. Распечатка результатов расчета.
5.8. Графики зависимости "путь─время".
5.9. Выводы.
 Лабораторная работа № 4

ГЕНЕРАЦИЯ СЛУЧАЙНЫХ ЧИСЕЛ ПО РАЗЛИЧНЫМ

ЗАКОНАМ РАСПРЕДЕЛЕНИЯ

1. Цель работы

Изучить методы разработки алгоритмов и программ генерации псевдослучайных

чисел на ЭВМ.

2. Исходные данные

Закон распределения случайной величины Y, параметры распределения и алгоритм

получения псевдослучайных чисел X, равномерно распределенных в интервале [0, 1],
принимается по табл.1 в соответствии с номером варианта. Схемы алгоритмов
получения равномерно распределенных случайных чисел приведены на рис. 1 - 3.

Таблица 1
Варианты исходных данных

N N закон распределения Y параметры

вари- алгоритма и плотность вероятности распределения
анта получения X f(y)
1 1 Нормальный m = 2 ; 3
5 2 f ( y )  EXP(( y  m) 2 /( 2 * Sigma = 0,5 ; 0,8
9 3
* ( Sigma) 2 )) /( Sigma * 2 * Pi)
13 2

2 1 Экспоненциальный Lambda = 1/m

6 2 m=3 ; 4
10 3 f ( y)  Lambda* EXP( Lambda* y)
14 1
3 1 Релея D = 2*m /Pi
7 2 m = 4 ; 5
11 3 f ( y)  ( y / D) * EXP( y 2 /(2 * D))

4 1 Эрланга Lambda = k/m

8 2 m= 2 ; 3
12 3 f ( y )  ( Lambda) k * y ( k 1) * k = 5 ; 6
* EXP( Lambda * y ) /( k  1)!

Pi =3.141592653
Схема алгоритма № 1 получения псевдослучайных чисел X

последующие
последующие
входы

1-й вход
Рис. 1

А=Pi

С=А/4

В=А+С

А=С

В>=4 да

входы
нет В=В-4

С=В

Х=С/4

выход
 Схема алгоритма № 2 получения псевдослучайных чисел Х

Рис.вход
1-й 5.2

Х=0

А=0.011

последующие
входы
шсл еду ющие
вх оды

x=frac(x/A+Pi) frac операция выделения

[ дробной части результата

А=А+1Е-8

выход

Рис.2
 Схема алгоритма № 3 получения псевдослучайных чисел Х

1-й вход

х=1Е-6
последующие
входы

x=frac(11х+Pi) [frac_операция_выделения
дробной_части_ результата

выход

Рис. 3

3. Содержание работы

3.1. Разработать алгоритм и программу получения псевдослучайных чисел,

распределенных по заданному закону.
3.2. В соответствии с исходными данными получить 40 псевдослучайных чисел.
3.3. Полученные случайные значения представить в виде интервального
статистического ряда. Построить гистограмму частостей случайных значений и
теоретическую кривую плотности вероятности. Число интервалов статистического ряда
принять равным 6.

4. Теоретические основы работы

Для того, чтобы от случайных чисел X, распределенных равномерно в интервале [0,

1], перейти к случайным числам Y, распределенным по заданному закону,
используются следующие формулы:
1) нормальное распределение
r
где r>=6; ySigma /r(
12 xir/2 )m ,
рекомендуется i1 принимать r=10 …15;
Таким образом, для получения одного
случайного значения у следует просуммировать r случайных значений х;

2) экспоненциальное распределение
у = - m*ln(x) ;

3) распределение Релея
y

4) x)/ Pi распределение Эрланга

y 4*m2 *ln(
k
т.е. y  (m/ k)ln(xi ) для получения одного случайного значения у
i1 необходимо просуммировать k случайных
значений х.

5. Содержание отчета

5.1. Цель работы

5.2. Исходные данные
5.3. Алгоритм расчета
5.4. Распечатка программы и результатов расчета
5.5. Статистический ряд, гистограмма частостей и функция плотности вероятности
5.6. Выводы
 Лабораторная работа № 5

ПРИМЕНЕНИЕ ЭВМ ДЛЯ СТАТИСТИЧЕСКОЙ ОБРАБОТКИ ДАННЫХ

1. Цель работы

Получение практических навыков составления программ для

статистической обработки данных.

2. Исходные данные

Закон распределения случайной величины Y и параметры распределения

принимаются по табл. 1 из лаб. работы № 4 в соответствии с номером варианта. Для
получения псевдослучайных чисел X, равномерно распределенных в интервале [0, 1],
использовать алгоритмы, схемы которых приведены на рис. 1 - 3 в лаб. работе № 4;
варианты 1, 2, 3, 4, 14 - рис. 2; варианты 5, 6, 7, 8, 13 - рис. 3: варианты 9, 10, 11,
12 - рис. 1.

3. Содержание работы

3.1. Разработать алгоритм и программу, которые обеспечивают

- генерацию значений случайной величины Y;
- расчет оценок математического ожидания и среднего квадратического
отклонения случайной величины на основании полученной выборки;
- получение интервального статистического ряда частот.

3.2. В соответствии с исходными данными получить и вывести на печать

массивы из 50 и 200 псевдослучайных чисел, оценки математического ожидания и
среднего квадратического отклонения, границы интервалов и интервальный
статистический ряд частот.

4. Теоретические основы работы

Оценка математического ожидания случайной величины, представляющая собой

среднее арифметическое, рассчитывается по формуле
где
N
у с  ( y i ) / N y i - случайные значения ; N - объем выборки.
Суммирование i 1 случайных значений целесообразно выполнять в
процессе их генерации.
Расчет оценки среднего квадратического отклонения проводится по формуле
Случайные значения i y
выбираются из массива,
N
куда они предварительно записываются в
процессе S  
i1
(yi yc)2
/(
N 
1) генерации.
Для получения интервального статистического ряда
необходимо определить число интервалов К из выражения
К = trunc(1 + 3,2*lg(N)) + 1 ,

где trunc - означает операцию выделения целой части результата. Затем следует
найти длину интервала
 h = (ymax - ymin)/K ,

где - ymax и ymin - максимальное и минимальное значения выборки, которые

целесообразно определить на этапе генерации случайных
чисел yi.
Далее вычисляются номера интервалов j, в которые попадают значения yi.

j = trunc((yi - ymin )/h) + 1 , i = 1,2,...N

Поскольку при использовании указанной формулы значению уmах соответствует

интервал с номером К+1, необходимо проверять условие j<=K и при его
невыполнении сделать присвоение j=K.
После нахождения номера интервала, в который попадает очередное значение yi,
соответствующий счетчик числа попаданий в этот интервал увеличивается на
единицу:

mj = mj + 1

В результате, после просмотра всех значений yi, получаем массив частот mj, j =
1, 2,...,К, который показывает распределение значений случайной величины по
интервалам.

5. Содержание отчета

5.1. Цель работы

5.2. Исходные данные
5.3. Алгоритм расчета
5.4. Распечатка программы и результатов расчета
5.5. Выводы
 Лабораторная работа № 6

ИССЛЕДОВАНИЕ РАСПРЕДЕЛЕНИЙ СЛУЧАЙНЫХ ВЕЛИЧИН

1. Цель работы

Изучить методику проверки согласия эмпирического и теоретического распределений

случайной величины.

2. Исходные данные

Выборка случайной величины (40 значений), полученная в результате выполнения

лабораторной работы № 4.
Исходные данные записать в файл RNDID..DAT.

3. Содержание работы

3.1. По программе RND.EXE произвести расчеты по определению статистических

характеристик случайной величины и аппроксимации ее эмпирического распределения
теоретическим законом наиболее подходящим по критерию Романовского. Результаты
расчета содержатся в файле RNDNR.
3.2. Повторить аппроксимацию эмпирического распределения теоретическим законом,
указанным в задании лабораторной работы № 4.
3.3. Проверить гипотезу о согласовании эмпирического и заданного теоретического
распределений по критерию хи - квадрат при уровне значимости alfa = 0,2 и 0,05 и
по критерию Мизеса-Смирнова (омега-квадрат) при alfa = 0,2 и 0,1.
3.4. Построить графики эмпирической и теоретической функций распределения и
проверить гипотезу о согласовании эмпирического и заданного теоретического
распределений по критерию Колмогорова при уровне значимости alfa = 0,1.

4. Теоретические основы работы

Структурная схема алгоритма программы RND для исследования распределений

случайных величин приведена на рис. 1
 Начало Начало

Ввод yi,
i =1…n

yi , i = 1…n

max и min выборки, оцен-ки МО и СКО, коэф.

вариации, середины ин-тервалов эмпиричес-кие частоты и частости

Параметры законов рас- пределения и оценка по критерию Романовского

Параметры законов распределения и теоретические частости

Графики теоретического и эмпирического распределения

Теоретические частости
с объединением интер-
валов на концах

Значения критериев хи-

квадрат, Романовского,
Мизеса

Необходимо про-
должить расчеты

Теоретический закон распреде-

ления
нет

Конец Конец Конец

да Рис7.1
 После обращения к программе задают вид распределения случай ной величины (в
данном случае непрерывное) и в качестве наименования данных вводят номер
учебной группы, номер варианта и вид закона распределения (указанный текст
набирается через пробелы без запятых). Затем задают объем выборки и
поочередно вводят случайные числа. По завершении ввода, при необходимости, в
исходные данные вносятся исправления, для чего следует положительно ответить на
соответствующий вопрос программы и набрать порядковый номер числа, которое
необходимо исправить.
Число интервалов следует задавать равным значению, рекомендуемому программой,
а величину смещения принимать равной 0.
Затем необходимо выбрать наилучшее теоретическое распределение по критерию
Романовского. Это достигается в результате положительного ответа на
соответствующий вопрос программы.
На следующем этапе рекомендуется получить графики теоретического и
эмпирического распределений, а также помимо значений критериев хи-квадрат и
Романовского - значение критерия Мизеса.
В дальнейшем следует продолжить расчет (положительно ответить на
соответствующий вопрос) и, не изменяя числа интервалов и величины смещения,
ввести порядковый номер требуемого закона распределения из списка, предложенного
программой. После получения значений параметров распределения, теоретических
частостей и значений критериев расчет можно закончить.
Для проверки гипотезы о согласовании теоретического и эмпирического
распределений по критерию хи-квадрат необходимо по таблице найти граничные
значения хи-квадрат при заданных уровнях значимости и известном числе степеней
свободы (взять из распечатки результатов расчета). Затем следует сравнить значение
хи-квадрат, полученное в результате расчета, с табличными значениями и сделать
соответствующие выводы о подтверждаемости гипотезы при различных уровнях
значимости.
С целью проверки гипотезы по критерию Мизеса-Смирнова следует по таблице
найти значение функции распределения статистики омега-квадрат в точке, полученной
в результате расчета (значение критерия Мизеса в распечатке). Найденное значение
необходимо сравнить с доверительными вероятностями, которые определяются по за-
данным уровням значимости, и сделать соответствующие выводы о
подтверждаемости гипотезы.
Для построения графиков эмпирической и теоретической функций распределения
используются эмпирические и теоретические частости, которые имеются в распечатке
результататов расчета. Поскольку функция распределения представляет собой
накопленные частости, фор-мулы для расчета эмпирической Fэ(yj) и теоретической
F(yj) функций распределения имеют вид:
где mi/n - эмпирические частости; Pi - теоретические частости; yj - правая
j j
граница j -гo интервала; k-число
Fэ (yj )  (mi / n); F ( y j )   Pi , j  1...k интервалов. Значения yj
i1 i 1 определя-ются на
основании значений середин интервалов, приведенных в
распечатке.
Для каждого yj вычисляется модуль разности между эмпирической и
теоретической функциями распределения АВS(Fэ(уj) - F(yj)).
Результаты расчетов следует свести в таблицу 1.

Таблица 1
 Данные для проверки гипотезы по критерию Колмогорова

Интервалы Эмпири- Теорети- Эмпиричес- Теорети-

значений ческие ческие кая функ- ческая ABS(Fэ(yj)-F(yj))
случайной частос- частости ция Fэ(yj) функция
величины ти mj/n Pj F(yj)
[y(j-i),yj[

Из последнего столбца таблицы выбирается наибольший модуль разности между

эмпирической и теоретической функциями распределения

D = max ABS(Fэ(yj)-F(yj)) , j = l...k.

Вычисляется значение критерия Колмогорова

При заданном LAMBDA D n уровне значимости по таблице

определяют гранич- ное значение LAMBDA(alfa), проверяют
условие LAMBDA < LAMBDA(alfa) и делают соответствующий вывод о согласовании,
теоретического и эмпирического распределений.
Необходимо помнить, что для проверки гипотезы используют те значения
критериев и те теоретические частости, которые были получены для заданного
теоретического закона распределения.

5. Содержание отчета

5.1. Цель работы

5.2. Исходные данные
5.3. Структурная схема алгоритма программы RND
5.4. Результаты расчета на ЭВМ
5.5. Графики эмпирической и теоретической функций распределения
5.6. Проверка согласия эмпирического распределения с теоретическим по заданным
критериям
5.7. Выводы

Лабораторная работа 7
ПРОВЕДЕНИЕ МАШИННОГО ЭКСПЕРИМЕНТА С ВЕРОЯТНОСТНОЙ
МОДЕЛЬЮ ТРАНСПОРТНОГО ПОТОКА
 1. Цель работы.

Ознакомиться с методикой разработки вероятностных моделей и научиться

использовать их для проведения машинных экспериментов.

2. Исходные данные

2.1. Поток автомобилей, подъезжающих к мосту, ─ регулярный, с интенсивностью λ .

Движение происходит в одном направлении, причем на мосту может находиться только
один автомобиль.
2.2. Закон распределения скорости автомобилей, движущихся по мосту, ─
нормальный. Параметры закона распределения принимаются по табл.1 в зависимости от
номера варианта.
2.3. Для получения псевдослучайных чисел, равномерно распределенных в
интервале (0,1), воспользоваться алгоритмами подпрограмм, схемы которых приведены в
лабораторной работе № 4 варианты 1, 2, 3, 4, 14 - алгоритм на рис. 3 ; варианты 5, 6, 7, 8,
13 ─ на рис. 1; варианты 9, 10, 11, 12 ─ на рис.2.
2.4. Протяженность моста составляет 0.15 км.

Таблица 1
Параметры закона распределения скорости автомобилей

Вари-
ант 1;8 2;9 3 ; 10 4 ; 11 5 ; 12 6 ; 13 7 ; 14
mv,
км/ч 20 25 30 35 40 45 50
σV 5.5 6.5 7.5 7.5 9.5 10.5 11.5
км/ч 6.0 7.0 8.0 9.0 10.5 11.0 12.0

3. Содержание работы

3.1. Разработать математическую модель алгоритм и программу для определения

показателя загрузки моста. В качестве показателя загрузки принять вероятность
нахождения автомобиля на мосту. Для контроля правильности работы модели
предусмотреть расчет и вывод на печать значений средней, максимальной и минимальной
скорости движения автомобилей по мосту.
3.2. Провести машинный эксперимент, в результате которого определить показатель
загрузки моста для ряда значений интенсивности потока автомобилей в интервале
λ =10...100 авт/ч с шагом 10 авт/ч. Показатель загрузки определить по выборке объемом
N=10 автомобилей. На печать выводить значения интенсивности потока, общего времени
наблюдения за движением, показателя загрузки моста и контрольных показателей,
перечисленных в п.3.1.

4. Теоретические основы работы

Вероятность нахождения на мосту автомобиля Ра определяется по формуле
N
где tj ─ Pa   t j / T продолжительность проезда по мосту j ─ го
автомобиля; j 1

N ─ число проехавших автомобилей (объем выборки);

 Т ─ общее время наблюдения от момента вьезда на мост первого автомобиля до
момента съезда с моста N - го автомобиля.
Время tj вычисляется по выражению

где L ─ длина моста; t j  L /V j

Vj ─ скорость j - го автомобиля.
Скорость Vj представляет собой случайное значение из ряда нормально
распределенных случайных чисел и рассчитывается по формуле
где Хi ─ 12 псевдослучайные числа,
распределенные Vj v(Xi 6)mv равномерно в интервале (0,1), которые
генерируются по ранее i1 указанным алгоритмам.
Общее время наблюдения за движением Т складывается из суммарной
продолжительности проезда по мосту N автомобилей и суммарного времени, в течение
которого мост остается свободным.
Расчет времени Т проводится в следующем порядке. После определения очередного
значения tj текущее значение Т увеличивается на tj:
Т = Т + tj
Длина очереди K из автомобилей, ожидающих въезда на мост, в момент времени Т
K=1+int(T/d)-j
где d=1/ λ ─ временной интервал между автомобилями в потоке.

Если K не равно 0, то сразу же после освобождения моста от j - го автомобиля в момент

времени Т на мост въедет очередной автомобиль и весь расчет повторяется, т.е.
определяется скорость автомобиля, время прохождения моста и т.д. Если же K=0, то от
момента освобождения моста j - ым автомобилем и до въезда на него очередного
автомобиля проходит некоторое время. Поэтому текущее значение Т в момент въезда на
мост очередного автомобиля будет равно
T= j*d
Расчет продолжается, начиная с определения скорости автомобиля.
После прохождения через мост всех автомобилей вычисляется показатель загрузки
моста, средняя скорость автомобилей, печатаются результаты и весь расчет повторяется
при очередном значении интенсивности потока λ .

5. Содержание отчета

5.1. Цель работы.

5.2. Исходные данные.
5.3. Математическая модель задачи.
5.4. Схема алгоритма моделирования.
5.5. Распечатка текста программы и результатов машинного эксперимента.
5.6. Выводы.
 Лабораторная работа № 8

МАТЕМАТИЧЕСКАЯ ОБРАБОТКА РЕЗУЛЬТАТОВ

МАШИННОГО ЭКСПЕРИМЕНТА

1. Цель работы

Изучить методику обработки результатов эксперимента с использованием

корреляционно - регрессионного анализа.

2. Исходные данные

Десять пар значений интенсивности потока автомобилей Lambda и показателя

загрузки моста Ра, полученных при выполнении лабораторной работы N 7.

3. Содержание работы

3.1. По программе KORREGP.EXE провести корреляционно-регрессионный анализ

между заданными переменными. Результаты расчета содержатся в файле tttt.
3.2. Проверить соответствие принятой линейной математической модели
(линейного уравнения регрессии) опытным данным по критерию Фишера при уровне
значимости alfa = 0,05.
3.3. Оценить значимость коэффициентов регрессии с помощью критерия
Стьюдента при уровне значимости alfa = 0,05.
3.4. Построить корреляционное поле и нанести на нем эмпирическую линию
регрессии.

4. Теоретические основы работы

Вначале задаются значения фактора Lambda, а затем значение функции отклика Ра.
Уравнение регрессии ищется в аддитивном виде со свободным членом, т.е.
у =b0 + b1*х1.
Для проверки адекватности линейной математической модели необходимо
рассчитанное значение критерия Фишера F, которое приведено в распечатке
результатов, сравнить с табличным F (alfa; 1; n-2), найденным при заданном уровне
значимости и числах степеней свободы 1 и n-2, где n - число экспериментальных
точек. Если F >= F (alfa; l; n-2) то гипотеза о линейной связи исследуемых величин
принимается, в противном случае — отклоняется.
Статистическая значимость коэффициентов регрессии оценивается с помощью
критерия Стьюдента. Для оценки следует рассчитанные для каждого коэффициента
значения критерия Стьюдента Т(0) и Т(1), которые имеются в распечатке
результатов, сравнить с табличным значением
t (alfa/2; n-2), найденным при заданном уровне значимости и числе степе-ней
свободы n-2. В случае выполнения неравенства T(j) >= t (alfa/2; n-2)
j-ый коэффициент регрессии считается значимым (J = 0 и 1 ).
Если в результате проверки свободный член регрессионного уравнения окажется
незначимым, то необходимо повторно провести корреляционно-регрессионный анализ,
отыскивая уравнение регрессии в аддитивном виде без свободного члена, т.е. у
=bl*xl.

5.Содержание отчета
 5.1. Цель работы
5.2. Исходные данные
5.3. Распечатка результатов расчета
5.4. Проверка адекватности математической модели и оценка статистической
значимости коэффициентов регрессии
5.5. Корреляционное поле и эмпирическая линия регрессии
5.6. Выводы
 Лабораторная работа № 9

АНАЛИТИЧЕСКОЕ ИССЛЕДОВАНИЕ РАЗОМКНУТОЙ МНОГОКАНАЛЬНОЙ

СИСТЕМЫ МАССОВОГО ОБСЛУЖИВАНИЯ С ОЖИДАНИЕМ

1.Цель работы

Изучить методику исследования на ЭВМ многоканальной разомкнутой системы

массового обслуживания (СМО) с использованием аналитических зависимостей.

2. Исходные данные

2.1. Число каналов N и интенсивность Lambda простейшего потока требований

принимаются по табл. 1 в зависимости от номера варианта.
2.2. Стоимость простоя прибора обслуживания Спр и стоимость потерь от
ожидания требованием в очереди начала обслуживания Стр выбираются из табл. 2.
2.3. Закон распределения времени обслуживания требований --экспоненциальный.
Математическое ожидание времени обслуживания Тобс может изменяться в пределах
от 2 с до 0,8*N/Lambda с. Интенсивность обслуживания во всех каналах одинакова.

Таблица 1
Варианты исходных данных

Интенсивность 0.020 0.025 0.030 0.035

Lambda, ед/с
Число каналов Номера вариантов
N
5 1 2 3 4
4 5 6 7 8
3 9 10 11 12
2 13 14 15 16

Таблица 2
Стоимость потерь

Спр, ед/ ч 4 3 2
Стр, ед/ ч 2 6 3

3. Содержание работы

3.1. Разработать алгоритм и программу для расчета на ЭВМ вероятности

отсутствия требований в системе Ро, среднего времени ожидания начала
обслуживания Тож, средней длины очереди R и суммарных потерь в единицу
времени Со от простоя приборов обслуживания и требований в очереди.

3.2. В результате расчета определить оптимальное среднее время обслуживания

Топт, при котором достигаются наименьшие потери Со. Для поиска оптимума
выбрать такой шаг изменения среднего времени обслуживания, чтобы в пределах
заданного диапазона получить не менее 20 значений Тобс.

3.3. Построить графики зависимости Ро, R, Тож и Со от среднего времени

обслуживания Тобс.

4. Теоретические основы работы

Если СМО имеет N каналов с одинаковой интенсивностью обслуживания, то для

определения вероятности отсутствия требований в системе Ро и среднего времени
ожидания начала обслуживания Тож используются формулы:
N
1

где Psi 
= Po
1/( N
Psi/(
N 
!*(
1Psi
/N
))( n
Psi/n
!))
Lambda/Mu -
n0
коэффициент использования
системы; Тож  PsiN
*Po/(
N *N !*
Mu *(1 Psi
/N 2
))
Мu = 1/Тобс - возможная
интенсивность обслуживания;
N — число каналов;
n - число требований, находящихся в системе в данный момент времени.
Средняя длина очереди R связана со средним временем ожидания начала
обслуживания соотношением

R = Lambda*Toж

Суммарные потери в единицу времени складываются из потерь, связанных с

простоем приборов обслуживания и простоем требований в очереди. Стоимость
простоя приборов обслуживания в единицу времени равна произведению (N -
Psi)*Cпp, поскольку (N - Psi) -среднее число каналов, свободных от обслуживания.
Стоимость потерь от простоя требований в очереди равна R*Стр, поэтому

Со = (N - Psi)*Cпp + R*Cтp

5. Содержание отчета
5.1. ель работы
5.2. Исходные данные
5.3. Расчетные формулы
5.4. Схема алгоритма
5.5. Распечатка программы и результатов расчета
5.6. Графики зависимостей
5.7. Выводы

Лабораторная работа № 10

АНАЛИТИЧЕСКОЕ ИССЛЕДОВАНИЕ ЗАМКНУТОЙ ОДНОКАНАЛЬНОЙ

СИСТЕМЫ МАССОВОГО ОБСЛУЖИВАНИЯ
 1. Цель работы

Изучить методику исследования на ЭВМ замкнутой одноканальной системы массового

обслуживания (СМО) с использованием аналитических зависимостей.

2. Исходные данные

2.1. Объем грунта перевозимого автомобилем за один рейс 3 куб.м.

2.2. Техническая производительность экскаватора Пэ и продолжительность рейса

автомобиля при отсутствии ожидания в очереди перед погрузкой Тz принимаются по
табл. 1 в соответствии с номером варианта.

2.3. Стоимость простоя экскаватора Сэ и стоимость простоя автомобиля Са

выбирается из табл. 2.

Таблица 1
Варианты исходных данных

Продолжитель- 0.8 0.9 1.0 1.1 1.2

ность рейса Тz,ч
Производитель- Номера вариантов
ность Пэ,куб.м.ч
25 1 2 3 4 5
30 6 7 8 9 10
35 11 12 13 14 15

Таблица 2
Стоимость простоя

Са, ед/ ч 2 2.5 3

Сэ, ед /ч 3 3.5 4

3. Содержание работы

3.1. Разработать алгоритм и программу для расчета на ЭВМ вероятности простоя

экскаватора Ро, среднего времени ожидания начала погрузки Тож, длины очереди R
и суммарных потерь в единицу времени от простоя экскаватора и автомобилей Со.

3.2. В результате расчета определить оптимальное количество автомобилей,

направленных для работы с экскаватором, чтобы суммарные потери были
минимальными. Максимальное количество автомобилей равно 10.

3.3. Построить графики зависимости Ро, R, Тож и Со от числа автомобилей,

закрепленных за экскаватором.

4. Теоретические основы работы

 Вероятность простоя прибора обслуживания Ро в замкнутой СМО рассчитывается
по формуле
k
где к - общее Po 1/ kn)!
')n/(
(k!*(Psi ) число требований, участвующих в
процессе массового n0 обслуживания, т.е. находящихся в
СМО и вне ее;
n - число требований в системе (в очереди и на ослуживании) в данный момент
времени;
(к - n) - число обьектов, находящихся вне системы и создающих поток заявок на
обслуживание;
Psi' = Lambda'/Mu - коэффициент использования системы при наличии только одного
изолированного требования;
Lambda' = 1/Тz - интенсивность потока заявок от одного изолированного требования;
Мu = 1/Тобс — возможная интенсивность обслуживания.
Средняя длина очереди R и среднее время ожидания начала обслуживания Тож
определяются по формулам:

R = к - (l –Po )*(l + Psi')/Psi' ;

Тож = R/(Mu*(l - Po)).

Суммарные потери в единицу времени от простоя экскаватора и автомобилей

вычисляются по выражению:

Со = Ро*Сэ + R*Ca

5. Содержание работы

5.1. Цель работы

5.2. Исходные данные
5.3. Расчетные формулы
5.4. Схема алгоритма расчета
5.5. Распечатка программы и результатов расчета
5.6. Графики зависимостей
5.7. Выводы
 Лабораторная работа № 11
ОПТИМИЗАЦИЯ ФУНКЦИИ ОДНОЙ ПЕРЕМЕННОЙ
МЕТОДОМ ДИХОТОМИИ

1. Цель работы

Изучить методику поиска с использованием ЭВМ экстремума функции одной

переменной по схеме половинного деления.

2. Исходные данные

Целевая функция Z(X) и область допустимых значений аргумента

а<= X <=b принимаются по табл. 1 в соответствии с номером варианта. Погрешность
определения оптимума Е = 0,001.

Таблица 1
Целевая функция и область допустимых
значений аргумента

N ОБЛАСТЬ ДОПУСТИМЫХ
ВАРИ- ЦЕЛЕВАЯ ФУНКЦИЯ ЗНАЧЕНИЙ
АНТА a<=X<=b
1 2
1 Z=X4/4-2*X3+4.5*X2-3*X 3.1<=X<=5 0<=X<=0.8
2 Z=X4/4-6*X2-8*X -1.5<=X<=0 2.5<=X<=4.5
3 Z=X4/4+4*X3/3-6*X -2<=X<=-0.4 0.1<=X<=2
4 Z=X3/3+20*COS(X) -1<=X<=1 1.5<=X<=4
5 Z=X3/3-SIN(Pi*X)/Pi -1<=X<= -0.1 0.1<=X<=0.8
6 Z=X3/3+COS(Pi*X)/Pi -0.2<=X<=0.3 0.5<=X<=1
7 Z=X5/5+2.5*X2-3*X -2.5<=X<=-1.1 0<=X<=1
8 Z=1.1*X2-2X/Ln(2) 0<=X<=1.5 1.8<=X<=3.5
9 Z=2X/Ln(2)-2*X3/3-X -0.3<=X<=0.2 5.5<=X<=7
10 Z=2X/Ln(2)-2*X2 0<=X=<=1 2.8<=X<=5
11 Z=2*X*Lg(X)-X2/4+0.1314*X 0.1<=X<=1.5 3<=X<=5.5
12 Z=X5/5-X2-X -1.5<=X<=0.5 1<=X<=2.5
13 Z=X6/6-2.5*X2+2*X -1.7<=X<= -1.2 1.1<=X<=1.5
14 Z=0.6*X3+0.1*COS(10*X) -1<=X<= -0.4 -0.3<=X<=0.2

3. Содержание работы

3.1. Установить является экстремум функции минимумом или максимумом.

3.2. Разработать алгоритм и программу для определения экстремума функции
методом дихотомии.
3.3. Рассчитать на ЭВМ оптимальное значение аргумента и соответствующее
экстремальное значение функции. В процессе расчета печатать координаты граничных
точек отрезка локализации экстремума.
3.4. Построить график целевой функции в пределах области допустимых значений
аргумента.
 4. Теоретические основы работы

Для определения вида экстремума функции Z(X) необходимо рассчитать значение

первой производной в граничных точках отрезка [a, b]: Z' (a) и Z' (b). Если Z' (a)<0
и Z' (b)>0, то на отрезке [a, b] функция Z(X) имеет минимум , а если Z' (a)>0 и Z'
(b)<0 - максимум.
Суть поиска экстремума функции методом дихотомии заключается в
последовательном выполнении следующих операций: деление отрезка локализации
экстремума на четыре равные части, определение экстремального среди значений
целевой функции в полученных точках деления, выбор в качестве очередного отрезка
локализации экстремума половины данного отрезка локализации, деление очередного
отрезка локализации экстремума на четыре равные части и т.д. до получения
требуемой точности результата.
Поиск минимума функции Y = f (X) методом дихотомии рекомендуется проводить
по следующей схеме:
1) присвоить значения граничных точек отрезка [a, b]: X1 = а,
Х5 = b;
2) отрезок [X1, Х5] разделить пополам точкой ХЗ и вычислить значение функции в
этой точке Y3 = f (X3);
3) точками Х2 и Х4 разделить на две части каждую половину отрезка [ X1, Х5] и
вычислить Y2 = f (X2) и Y4 = f (X4);
4) сравнить Y2 и Y3: если Y2 < Y3 (см. рис. 1 а), то исключить из
рассмотрения отрезок [ХЗ, Х5], для чего присвоить значения Х5 = ХЗ, ХЗ = Х2, Y3
= Y2 и перейти к п.7;
5) если Y2 >= Y3, то сравнить Y3 и Y4: если Y4 < Y3
(см. рис. 1 б), то исключить отрезок [X1, ХЗ], для чего присвоить значения X1 =
ХЗ, ХЗ = Х4, Y3 = Y4 и перейти к п.7;
6) если Y4 >= Y3 (см. рис. 1 в), то исключить отрезок [X1, Х2] и [Х4, Х5],
выполнив присвоения X1 = Х2 и Х5 = Х4;
7) проверить условие окончания поиска Х5 - X1 <= Е, если условие не
выполняется - перейти к п.З;
8) в случае окончания поиска оптимальное значение аргумента Х о принять равным
ХЗ и определить минимум функции
Ymin = f (Xo) = Y3

Схема поиска минимума функции методом дихотомии.

Y4 Y2
Y3 Y3 Y2 Y4
Y2 Y4 Y3
 Схема поиска минимума функции методом дихотомии.

Y4 Y2
Y3 Y3 Y2 Y4
Y2 Y4 Y3

Х1 Х2 Х3 Х4 Х5 Х1 Х2 Х3 Х4 Х5 Х1 Х2 Х3 Х4 Х5

Х1 Х3 Х5 Х1 Х3 Х5 Х1 Х3 Х5
а) б) в)
Рис. 1.

Если экстремум целевой функции Z(X) является минимумом, то рассмотренная

схема поиска применима непосредственно к заданной функции, т.е. f (X) = Z(X).
Если же функция Z(X) имеет максимум, то
для использования приведенной схемы поиска целевую функцию следует задавать с
противоположным знаком, т.е. f (X) = -Z(X). Соответственно, при минимизации
целевой функции полученный результат f (Xo) является ее минимумом Zmin = Ymin, а
при максимизации найденное минимальное значение f (Xo) следует взять с
противоположным знаком Zmax = -Ymin.

5. Содержание отчета

5.1. Цель работы

5.2. Исходные данные
5.3. Определение вида экстремума
5.4. Схема алгоритма оптимизации
5.5. Распечатка программы и результатов расчета
5.6. График целевой функции
5.7. Выводы

Лабораторная работа № 12
 РЕШЕНИЕ ЗАДАЧ ОПТИМИЗАЦИИ МЕТОДОМ "ЗОЛОТОГО СЕЧЕНИЯ"

1. Цель работы.

Изучить методику нахождения экстремума функции одной переменной с

использованием "золотой пропорции".

2. Исходные данные

Целевая функция и область допустимых значений аргумента принимаются по табл.1

лаб. работы № 11 в зависимости от номера варианта . Точность поиска решения 0,001 .

3. Содержание работы

3.1. Разработать алгоритм и программу для определения экстремума функции методом

"золотого сечения".
3.2. Рассчитать на ЭВМ оптимальное значение аргумента и соответствующее
экстремальное значение функции. В процессе расчета на печать выводить координаты
граничных точек отрезка локализации экстремума.
3.3. Сравнить число итераций, необходимых для нахождения экстремума функции при
поиске методами дихотомии и “золотого сечения”.

4. Теоретические основы работы

xxf0010123(x((21a))

Основные этапы поиска минимума унимодальной функции методом "золотого

сечения" состоят в следующем.

ff x
(
((
 a)
xxxf (x
2
1 )
f ((x12x1 )
(1 )

((xxx ) ) (
(11)
)
( x ) 2 1
1 2
x x3  b

01
x1 2

0
3
0
1
2 Рис.1

Границы отрезка [а,в] обозначаются через Х0 и Х3 соответственно. Внутри отрезка

локализации экстремума [Х0,Х3] выбираются точки Х1 и Х2 ( рис 1.) таким образом,
чтобы:
1) они находились на равном расстоянии от концов отрезка, т.е.
Х1 - Х0 = Х3 - Х2 ;
2) каждая из точек делила отрезок в "золотой пропорции"

(Х3 – Х2)/(Х2-Х0)=(Х2-Х0)/(Х3-Х0);
 ( Х1-Х0)/(Х3-Х1)=(Х3-Х1)/(Х3-Х0)

Затем вычисляют значения функции в точках Х1 и Х2. Если f (X1) < f (X2), то вторым
отрезком локализации экстремума будет отрезок [Х0 , Х2]; если же f (X1) > f (X2), то
второй отрезок - [ Х1 , Х3 ].
Точка, находящаяся внутри второго отрезка локализации (для отрезка [Х0 , Х2] - это
точка Х1, а для отрезка [Х1 , Х3] – точка Х2), делит этот отрезок в "золотой пропорции".
В соответствии с рис. 1 второй отрезок локализации [Х0 (1) , Х3(1)] делится в "золотой
пропорции" точкой Х1, которая обозначается Х2(1) .
Следующий шаг поиска минимума состоит в определении точки Х1 (1) ,симметричной
точке Х2(1) относительно концов отрезка [Х0 (1) , Х3(1) ]. Далее вычисляется значение
функции f (X1(1) ), проводится сравнение f (X1(1) ) с f (X2(1) ) (значение функции f (X2(1) )
равно значению f (Х1) и определено ранее), выбирается очередной отрезок локализации
[X0(2) , X3(2) ] и т.д.
Итерационный процесс поиска продолжается до тех пор, пока очередной отрезок
локализаци не станет меньше заданной погрешности определения оптимального значения
Х.
При составлении алгоритма поиска рекомендуется придерживаться следующей схемы:
1) определить положение точек Х1 и Х2, делящих начальный отрезок локализации
экстремума [X0 , X3] в "золотой пропорции":

Х1 = Х3 ─G(X3 ─ X0) ,
X2 = X0 + G(X3 ─ X0) ,
где G  ( 5  1) / 2

2) вычислить значение функции Y1 = f (Х1), Y2= f (Х2);

3) сравнить Y1 и Y2 : если Y2 < Y1 - исключить отрезок [X0 , X1], для чего
вычислить d = Х3 - Х1, присвоить Х0 = Х1, Х1 = Х2, Y1=Y2 и определить Х2 = Х0 +
G*d, Y2 = f (Х2), затем перейти к п.5;
4) если Y2 >= Y1 - исключить отрезок [X2 , X3], для чего вычислить d = Х2 - Х0,
присвоить Х3 = Х2, Х2 = Х1, Y2 = Y1 и определить Х1 = Х3 ─ G*d, Y1 = f (Х1);
5) напечатать значения Х0 и Х3 ;
6) проверить условия окончания поиска : d < Е и, если условие не выполняется
-перейти к п.3 ;
7) в случае окончания поиска оптимальное значение аргумента принять равным Х1, а
экстремальное значение функции - Y1.
Если экстремумом функции является не минимум, а максимум, то при использовании
приведенной схемы поиска исходную функцию следует задавать с противоположным
знаком.

5. Содержание отчета

5.1. Цель работы.

5.2. Исходные данные.
5.3. Теоретические основы метода.
5.4. Схема алгоритма оптимизации.
5.5. Распечатка программы и результатов расчета.
5.6. Выводы.
 Лабораторная работа № 13

РЕШЕНИЕ ЗАДАЧ ОПТИМИЗАЦИИ МЕТОДОМ НЬЮТОНА

1. Цель работы

Научиться использовать ЭВМ для нахождения экстремума функции одной

переменной методом Ньютона.
 2. Исходные данные

Целевая функция Z(X) и область допустимых значений аргумента

а< = X <= b принимаются по табл. 1 из лаб. работы № 11. Погрешность определения
оптимума Е = 0,001.

3. Содержание работы

3.1. Разработать алгоритм и программу для определения экстремума функции

методом Ньютона.
3.2. Рассчитать на ЭВМ оптимальное значение аргумента
и соответствующее экстремальное значение функции. В процессе расчета печатать
значения аргумента, первой и второй производных функции.
3.3. Сравнить число итераций, необходимых для нахождения экстремума, при
поиске методами дихотомии и Ньютона.
3.4. Построить график первой производной целевой функции в области
допустимых значений аргумента.

4. Теоретические основы работы

Алгоритм поиска экстремума функции методом Ньютона основан на использовании

итерационной формулы для определения очередного приближения корня уравнения f
(X) = 0:

Хн = X - f (X)/ f ''(X), где f (X) = Z' (X)

После нахождения очередного приближения корня Хн проверяется условие

окончания поиска АВS (Хн- X)<= Е. Если указанное условие не выполняется, то
производится присвоение X = Хн и по итерационной формуле определяется
следующее приближение корня. В качестве начального приближения корня
рекомендуется выбирать ту из граничных точек отрезка [а, b], в которой знаки
функции f (X) и ее кривизны
f ''(X) совпадают, т.е. выполняется условие f (X) * f ''(X)>0 при X = а или X = b.

5. Содержание отчета

5.1. Цель работы

5.2. Исходные данные
5.3. Схема алгоритма
5.4. Распечатка программы и результатов расчета
5.5. График первой производной целевой функции
5.6. Выводы
Лабораторная работа № 14
РЕШЕНИЕ ЗАДАЧ ОПТИМИЗАЦИИ ГРАДИЕНТНЫМИ МЕТОДАМИ

1. Цель работы.

Научиться использовать ЭВМ для определения экстремума функции двух

переменных методом градиентного спуска (подъема).

2. Исходные данные
 2.1. Функция двух переменных, вид экстремума и начальные значения аргументов
выбираются из табл. 1 в зависимости от номера варианта.
2.2. Начальное значение параметра, определяющего длину шага поиска: h = + 0.05.
2.3. Максимальное число итераций m=200.
2.4. Минимальное значение модуля градиента Ед = 0,005;
минимальное приращение аргумента Ех = 0,001.
Таблица 1
Варианты исходных данных

Ва- Вид Координаты начальной точки

ри- Функция f (x1,x2) экстре-
ант мума x1(0) x2(0) x1(0) x2(0)
1 2*(x1-2)2+(x2-3)4+1 min 3 4 1 2
2 (x1-1)4+3*(x2-2)2+2 min 2 3 0 1
3 2*(x1+3)2+0.5*(x2-4)4+3 min -2 5 -4 3
4 (x1+2)4+2*(x2-1)2+4 min -1 2 -3 0
5 -(x1-2)2-0.5*(x2-1)4-5 max 3 2 1 0
6 -2*(x1+3)2-(x2-2)4-6 max -2 3 -4 1
7 -(x1-1)4-3*(x2-3)2-7 max 2 4 0 2
8 -2*(x1-5)2-(x2-4)4+8 max 6 3 4 5
9 -0.5(x1+4)4-(x2-1)2+9 max -5 2 -3 0
10 -(x1-2.5)2-(x2+3)4+10 max 4 -2 1 -4
11 -(x1+3.5)4-3*(x2+4)2+11 max -5 -5 -2 -3
12 (x1+5)4+2*(x2+2)2-12 min -4 -1 -6 -3
13 (x1-1.5)2+(x2+2.5)4-13 min 3 -4 0 -1
14 0.5*(x1-4.5)4+(x2-5.5)2-14 min 6 7 3 4

3. Содержание работы

3.1. Разработать алгоритм и программу для определения экстремума функции двух

переменных градиентным методом.

3.2. По разработанной программе на ЭВМ провести поиск экстремального значения

функции. В процессе поиска через каждые 10 итераций на печать выводить номер
итерации, модуль градиента и значения аргументов.
По окончании поиска напечатать оценки оптимальных значений аргументов и
экстремального значения функции, значение параметра h и число итераций.
3.3. Изменяя параметр h в интервале h= + 0.05... + 0.2 с шагом + 0.05, исследовать
влияние параметра на скорость поиска.
3.4. Построить график зависимости числа итераций, необходимых для нахождения
экстремума, от величины параметра h.

4. Теоретические основы работы

Градиент ─ это вектор, который показывает направление наискорейшего возрастания

функции. Для функции n переменных W = f (X) градиент записывается в виде

df df df
grad ) e
_f(X  e
1 2  e
... n
dx
1 dx
2 dx
 df df df
где , ,... - частные производные функции, которые являются проекциями
dx1 dx2 dxn
градиента на координатные оси;

где e1, e2,...en ─ единичные векторы (орты).

Модуль градиента равен наибольшей скорости возрастания функции в данной точке

Вектор, df df df 2 направленный
противоположно grad_ f(X )  ( )2
 ( )2
 
...
( ) градиенту и равный
dx
1 dx 2 dxn
ему по величине, называется
антиградиентом.
Для проведения поиска градиентным методом вначале выбирается произвольная точка
М0, принадлежащая области определения оптимизируемой функции. Затем :
1) определяется направление градиента в точке М0;
2) осуществляется перемещение из точки М0 на величину, равную некоторому шагу,
в точку М1, причем перемещение проводится в направлении градиента, если ищется
максимум функции и в направлении антиградиента, если ищется минимум функции ;
3) в точке М1 устанавливается новое градиентное направление и делается следующий
шаг в новую точку и т.д.
Значение каждой координаты хj в конце к-го шага определится по формуле
(k)
где h ─ параметр, df
(X )
xj
(k1)
 (k
xj )
h ,j
1,2 n определяющий длину
,...
шага ; dxj
(k)
df(X ) df (k) (k) (k)
 (x 1 ,x 2 ,...xn(k)
) cкорость изменения функции по координате xj в точке Х
dxj dxj
Таким образом, градиентный метод обеспечивает на каждом шаге изменение всех
независимых переменных, причем каждая переменная получает приращение,
пропорциональное соответствующей составляющей градиента по данной оси.
При поиске минимума движение происходит в антиградиентном направлении,
поэтому параметр h берется со знаком "минус".
Рекомендуется придерживаться следующей схемы поиска :
1) определить значения проекций градиента в точке (х1,х2)
df ( x1, x 2) df ( x1, x 2)
2) ; вычислить модуль градиента
dx1 dx 2
df df если ,
то grad
_f(x
1,x
2)  ( )2( )2 перейти к п.6;
dx
1 dx 2
3) определить координаты очередной точки
grad _ f (x1,x2) Ед
4) df df проверить условия окончания поиска
x1(1)  x1  h , x2(1)  x2  h ,
dx1 dx2
│х1 (1) ─ х1│ <= Ех , │х2 (1) ─ х2│
<= Ех ,

в случае их выполнения перейти к п.6 ;

5) перейти в новую точку

х1 = х1(1) , х2 = х2(1)
и возвратиться к п.1;
6) вычислить оценку экстремального значения функции
f (x1 (1) , x2 (1) )

5. Содержание отчета

5.1. Цель работы.

5.2. Исходные данные.
5.3. Расчетные формулы с пояснениями.
5.4. Схема алгоритма поиска.
5.5. Распечатка программы и результатов оптимизации.
5.6. График зависимости необходимого числа итераций от величины
параметра h.
5.7. Выводы.

Лабораторная работа № 15

РЕШЕНИЕ ЗАДАЧ ОПТИМИЗАЦИЙ МЕТОДОМ СЛУЧАЙНОГО ПОИСКА

1. Цель работы

Научиться использовать ЭВМ для определения экстремума функции двух

переменных методом адаптивного случайного поиска.

2. Исходные данные

2.1. Функция двух переменных и начальные значения аргументов из лаб. работы

№ 14.
2.2. Начальный шаг поиска h = 1; параметр увеличения шага
hp = 1,618; параметр уменьшения шага hf = 0,618.
2.3. Допустимое число неудачных проб N = 6; максимальное число проб М = 200.

3. Содержание работы

3.1. Разработать алгоритм и программу для определения экстремума функции двух

переменных методом адаптивного случайного поиска с переменным шагом. Для
получения равномерно распределенных случайных чисел использовать стандартную
функцию RANDOM.
3.2. По разработанной программе на ЭВМ провести поиск экстремального значения
функции. В процессе поиска через каждые 10 проб на печать выводить номер пробы,
текущие значения аргументов, функции и координаты единичного вектора.

4. Теоретические основы работы

 Поиск экстремума проводится по следующей схеме:
1) установить счетчик числа проб q = 1, обнулить счетчик числа неудачных проб К
= 0 и вычислить значение функции в начальной точке
2) определить два случайных числа равномерно
Y 0  f ( x10, x20)
распределенных в интервале [-1, 1] : r1 = 2*t -1 , r2 = 2*t -1,
где t - случайное число равномерно распределенное в интервале (0, 1);
3) рассчитать координаты единичного вектора
и вывести на печать необходимую
d1  r1/ r12  r22 d2  r2/ r12  r22 информацию;
4) определить координаты новой точки и значение функции в этой точке
x11 = x10 + h*d1 ; x21 = x20 + h*d2; ; Y1 = f (x11 , x21);

5) сравнить Y1 и Y0 : если Y1 < Y0 ( при поиске максимума

Y1 > Y0 ), то определить координаты следующей точки на выбранном направлении
x12 = x10 + hp*(x11 - x10), x22 = x20 + hp*(x21 - x20),

и значение функции в этой точке Y2 = f (x12 , x22) ;

в противном случае принять К = К + 1 и перейти к п.7;

6) сравнить Y2 и Y0 : если Y2 < Y0 (при поиске максимума

Y2 > Y0 ),
то задать h = hp*h, x10 = x12 , x20 = x22 , Y0 = Y2 и перейти к п. 4;
в противном случае перейти к п.8;
7) если К = N, то задать h = hf*h, К = 0, иначе сразу перейти к п.8;
8) если q > М или h < 0,001, то закончить поиск, иначе задать q = q + 1 и перейти
к п.2.

5. Содержание отчета

5.1. Цель работы

5.2. Исходные данные
5.3. Схема алгоритма расчета
5.4. Распечатка программы и результатов расчета
5.5. Выводы