Skip to content

Latest commit

 

History

5 Commits

Folders and files

NameName
Last commit message
Last commit date
 
 
 
 
 
 

Repository files navigation

Тема: «Методы безусловной многомерной оптимизации (градиентные методы) C++»

-> Отчет по лаборатоной работе (блок-схемы функций методов, скриншоты работы)

-> Код программы

Функция

f(x_1,x_2 )=104 〖x_1〗^2-206 x_1 x_2+104 〖x_2〗^2-100x_1+8x_2+100

Задание

Построить таблицу для x^((0))=(〖x_1〗^((0) );〖x_2〗^((0) ) )=(1;1) и x^((0))=(〖x_1〗^((0) );〖x_2〗^((0) ) )=(-1;-1) методами:

Градиентный с постоянным шагом;
Градиентный с дроблением шага;
Метод наискорейшего спуска (градиентный с оптимальным шагом).

Найти точное решение (на основе необходимых условий минимума). В точке минимума функции должны выполняться необходимые условия первого порядка: в точке минимума частные производные первого порядка должны быть равны нулю.

Вывод

В лабораторной работе были сравнены градиентные методы: градиентный метод с дроблением шага, градиентный метод с постоянным шагом и метод наискорейшего спуска. Для заданной целевой функции для заданных условий окончания поиска по критерию минимального числа экспериментов лучшим оказался метод наискорейшего спуска.

About

Методы безусловной многомерной оптимизации (градиентные методы)

Resources

Stars

1 star

Watchers

1 watching

Forks

Releases

Packages

Contributors

Languages