Predavanja Blok 1

MANUALIA UNIVERSITATIS STUDIORUM SPALATENSIS
UDŽBENICI SVEUČILIŠTA U SPLITU
FAKULTET ELEKTROTEHNIKE, STROJARSTVA I BRODOGRADNJE
Damir Vučina
METODE INŽENJERSKE
NUMERIČKE OPTIMIZACIJE
S PRIMJERIMA PRIMJENE U
PROGRAMSKOM JEZIKU C I MATLAB
FESB
Split, 2005
MANUALIA UNIVERSITATIS STUDIORUM SPALATENSIS
UDŽBENICI SVEUČILIŠTA U SPLITU
Autor
Prof. dr.sc. Damir Vučina
Recenzenti
Prof. dr.sc. Nataša Bilić
Prof. dr.sc. Ivan Slapničar
Doc. dr.sc. Gojko Magazinović
Izdavač
Fakultet elektrotehnike strojarstva i brodogradnje
Za izdavača
Prof. dr.sc. Dinko Begušić, dekan
Predsjednik povjerenstva za izdavačku djelatnost FESB-a

Prof.dr.sc. Radoslav Pavazza
Glavni urednik
Prof.dr.sc. Ivan Zulim
Lektor
Vesna Hrdlička, prof.
Objavljivanje ovog sveučilišnog udžbenika odobrio je Senat Sveučilišta u Splitu

odlukom broj: 01-1-35/1-14-2005. dana 22. rujna 2005. godine.
CIP - Katalogizacija u publikaciji
SVEUČILIŠNA KNJIŽNICA U SPLITU
UDK 519.852 (075.8)

004.4 (075.8)
VUČINA, Damir
Metode inženjerske numeričke optimizacije:
s primjerima primjene u programskom jeziku C i MATLAB /
Damir Vučina. - Split : Fakultet elektrotehnike, strojarstva i
brodogradnje, 2005.
Bibliografija. - Kazalo
ISBN 953-6114-79-8
120226049
ISBN 953-6114-79-8
1.Uvod i osnovni pojmovi
1. UVOD I OSNOVNI POJMOVI
1. 1. Uvod
Optimizacija je u inženjerskom smislu postupak 'maksimiziranja' ili
'minimiziranja' nekog cilja (ili ciljeva) u okvirima raspoloživih resursa,
odnosno uz zadovoljavanje ograničenja koja objektivno postoje. U ovom
smislu je svaka odluka koju donosimo, te svaka svjesna radnja koju
obavljamo, u stvari rezultat nekog svjesnog ili nesvjesnog misaonog
procesa optimiranja. U načelu takvu optimizaciju formalno ne
doživljavamo kao 'provedeni postupak' jer se događa 'intuitivno' ili
'iskustveno' na bazi ranije određenih 'najboljih' rješenja. Klasični postupak
'sinteze rješenja' na bazi metode 'pokušaja i pogrešaka' i sam se može
smatrati postupkom optimizacije, jer se zasniva na generiranju (sintezi)
novih (nepoznatih) rješenja promatranog problema te sukcesivnom
odbacivanju onih koja ne zadovoljavaju ograničenja ili onih koja su lošija
od ranije dostignutih rješenja.
Proces inženjerskog optimiranja se posredno i neposredno oslanja na

procese i rješenja koja promatramo u prirodi. Ravnotežna stanja u točki
minimuma energije nekog sustava ili geometrijski oblici u prirodi
predstavljaju prirodno optimirana rješenja. Neke tehničke metode
optimizacije se i zasnivaju na oponašanju prirodnih procesa, npr. procesa
evolucije, koji se i sam može interpretirati kao prirodni proces
optimizacije. Tako naprimjer postoji niz 'evolucijskih postupaka' kao što
su postupci genetskih algoritama ili postupci formiranja funkcijskih
aproksimatora kao što su 'umjetne neuralne mreže', koji su algoritamski
izgrađeni na analogiji s pojednostavljenim 'biološkim' uzorima.
Proces inženjerskog optimiranja podrazumijeva sustavno traženje

optimalnog rješenja zadanog inženjerskog problema s obzirom na
definirane kriterije optimalnosti, a u uvjetima zadovoljavanja zadanih
ograničenja. Pretpostavka je pri tome, naravno, da problem ima dovoljan
D. Vučina: Metode inženjerske numeričke optimizacije 3

'višak' internih stupnjeva slobode (onih o kojima može odlučiti projektant

jer nisu determinirani fizikalnim zakonitostima problema) koji postaju
varijablama postupka optimizacije.
Za razliku od klasičnih primjena numeričkih postupaka u analizi, kod

optimizacije je riječ o sintezi koja u svakoj iteraciji uključuje nužnost
provedbe analize (simulacije odziva) promatranog sustava. Kod
numeričke optimizacije, sinteza se naravno ne radi iskušavanjem svih
mogućih rješenja niti na bazi iskustva, nego su razvijeni postupci koji
nova rješenja generiraju sustavno i učinkovito sa ciljem da se do
optimalnog rješenja dođe uz što manji utrošak računalnih resursa. Kako
je svaka sinteza vrlo kompleksna i numerički zahtjevna, a razmatrani
fizikalni modeli često vrlo složeni, proces optimiranja je numerički vrlo
intenzivan.
Globalizacija te posljedični porast kompetitivnosti na sve aktivnosti

postavlja vrlo stroge dugoročne i kratkoročne uvjete za opstanak u smislu
nužne izvrsnosti proizvoda, usluga i procesa, koja se postiže
optimizacijom u najširem značenju tog termina. Iskustvena ili intuitivna
optimizacija, te naslanjanje isključivo na postojeće 'najbolje prakse' danas
više nije dovoljno, jer ne osigurava dovoljnu 'kompetitivnu prednost', a
time ni profitabilnost odnosno opstanak. Kaže se da 'treba trčati da bi se
stajalo na mjestu', jer mirovanje znači relativno zaostajanje u odnosu na
druge.
Procesi i postupci optimizacije imaju stoga sve veću važnost i sve širi
prostor primjene. Današnja logika kod razvoja proizvoda, usluga i procesa
više nije odrediti neko odgovarajuće rješenje koje zadovoljava sve uvjete.
U današnje vrijeme potrebno je odrediti rješenje koje zadovoljava sve
uvjete te istovremeno minimizira utrošak svih resursa, odnosno
maksimira postavljene ciljeve (kriterije izvrsnosti rješenja).
U tom smislu je proces optimizacije znatno širi od skupine metoda ili

numeričkih alata. Riječ je u stvari o novom pristupu u inženjerskoj
sintezi odnosno razvoju proizvoda ili procesa na bazi koncepta
'optimalnosti'. Optimizacija se stoga istovremeno može shvatiti i kao
način postavljanja inženjerskog zadatka, ali i kao specijalizirani alat
odnosno način potpore odlučivanju ('decision support') u najširem smislu.

Ako se inženjerske probleme podijeli na postupke analize i postupke

sinteze, pri čemu se sinteza najčešće provodi generiranjem niza
predloženih rješenja i njihovom popratnom analizom, tada se postupci
optimizacije mogu svrstati u područje inženjerske sinteze. Kod
optimizacije se slijed predloženih (generiranih) rješenja sustavno vodi na
način da sve bolje ispunjava postavljene kriterije optimalnosti uz
istovremeno zadovoljavanje ograničenja. U tom slijedu je optimizacija
iterativan proces bez obzira na činjenicu da li se provodi klasičnim putem
(inženjersko naslijeđe, iskustvo, intuicija) ili potpomognuto numeričkim
postupcima.
Može se naravno kazati da su inženjeri i u predračunalno doba tražili

optimalna rješenja, ali je to slijedilo na načine koji su tada bili mogući.
Tadašnji postupci počivali su uglavnom na profesionalnom iskustvu,
intuiciji i brojnim pokušajima. U današnje doba široka primjena metoda
optimizacije u uvjetima općeg 'pritiska' za sve boljim rješenjima
omogućena je razvojem računala velike snage obrade koja je potrebna za
postupke optimizacije, ali i, što je još i važnije, odgovarajućih algoritama
i programskih alata.
Danas se postupci optimizacije primjenjuju u cijelom nizu linearnih i

nelinearnih problema, npr. kod transportnih problema, problema alokacije
resursa, problema mrežnih tokova, problema optimiranja mehaničkih
konstrukcija, problema optimiranja toplinskih tokova, optimalnog
upravljanja sustavima, problema optimalnog projektiranja ('designa')
komponenti, problema oblikovanja, itd. Za ilustraciju mogućnosti
primjene postupaka optimizacije, u poglavlju 1.8. i 8. dani su neki
primjeri iz vrlo različitih područja.
U smislu računalno-podržane optimizacije ('computer-aided

optimization'), numerički postupci optimiranja usko su spregnuti s
postupcima numeričke analize koji se primjenjuju kod računalne
simulacije razmatranih fizikalnih modela. Danas se postupci optimizacije
koriste ne samo kod tehničkih problema kod kojih se funkcije cilja i
ograničenja velikim dijelom mogu opisati analitički, nego i kod problema
iz drugih područja, gdje se odgovarajuće zakonitosti u modelu ponekad
opisuju isključivo empirijskim izrazima ili statističkim zakonitostima pa
čak i skupovima pravila ili zapažanja.

Prikaz klasičnog procesa optimiranja prikazan je na slici 1.1, pri čemu

uvođenje numeričkih postupaka optimizacije znatno ubrzava slijed:
- generiranje i prijedlog rješenja

- analiza rješenja
- provjera kriterija optimalnosti i ograničenja
- korekcije,
dok se iskustvo i profesionalno naslijeđe naravno i dalje koriste za
definiranje 'početnih rješenja'.
ideje o mogućim inženjersko

unapređivanjima profesionalno
rješenja iskustvo naslijeđe
prijedlog novog rješenja (sinteza)
analiza novog rješenja
iteracije
optimiranja
prihvatljivo
Provjera:
- ograničenja
- kriteriji optimalnosti
korekcije,
promjene rješenje
Slika 1.1: Načelni proces optimiranja

1. 2. Faze postupka inženjerske optimizacije
Kako je već rečeno, optimizacija zahtjeva određenu multidisciplinarnost

znanja i dosta iskustva. Potrebno je dobro poznavanje problema koji se
rješava (optimira) zbog nužnosti postavljanja dobrog fizikalno-
matematičkog modela, poznavanje teoretskih postavki optimizacije te
slabosti i prednosti pojedinih metoda. Također je potrebno poznavanje
programiranja zbog nužnosti integracije numeričke simulacije fizikalnog
modela (analiza) i algoritma optimizacije na računalu. Uz ovo je potrebno
i iskustvo zbog vrlo osjetljive potrebe finog podešavanja cijelog niza
kontrolnih parametara i algoritamskih 'sloboda' (uključivo odabira
metode, parametara metode, početnih točaka, normiranja varijabli,
relativnog uravnoteženja pojedinačnih ograničenja, itd.) na način koji će
osigurati zadovoljavajuću konvergenciju prema dobrom rješenju.
U inženjerskoj praksi proces rada je u velikoj mjeri standardan i mogu se

uočiti neke tipične faze.
Proces započinje promatranjem i razmatranjem problema pri čemu se

temeljem poznatih postavki iz teorije, ali ponekad dijelom i empirijski,
postavlja tzv. fizikalni model problema. Kao i svaki model, ovaj model
nije savršen i sadrži pojednostavljenja i približenja (aproksimacije) i time
unosi greške. Ovaj dio postupka rješavanja problema, modeliranje, je
najsloženiji korak u procesu optimizacije i uključuje definiranje osnovnih
fizikalnih veličina potrebnih za opis problema te njihovih međusobnih
funkcionalnih ovisnosti, kao i različita ograničenja i parametre problema.
Kod postupaka optimizacije specifično je da model problema ne

obuhvaća samo fizikalno- matematički model razmatranog problema, već
je potrebno definirati i elemente potrebne za sam proces optimiranja.
Ovdje spada definiranje varijabli optimizacije koje predstavljaju 'višak
internih stupnjeva slobode' fizikalnog modela problema, odnosno
slobodnih parametara postavljenog modela problema. Kao 'višak' slobode
u modelu, varijable optimiranja osiguravaju postojanje beskonačnog
skupa rješenja promatranog problema, te time ispunjavaju osnovnu

pretpostavku za određivanje optimalnih rješenja. Drugi bitan element

projektnog zadatka kod optimizacije je definiranje 'kriterija izvrsnosti'
odnosno kriterija optimalnosti rješenja. Ovi kriteriji presuđuju o tome
koja su moguća rješenja promatranog problema najbolja. Kriteriji
optimalnosti su osnova za matematičku izgradnju funkcije cilja. Preostali
bitan element projektnog zadatka optimizacije je definiranje ograničenja
koja predstavljaju uvjete koje rješenja moraju zadovoljiti. Ograničenja
reduciraju domenu mogućih rješenja problema (n-dimenzionalni prostor
nD kod problema sa n varijabli optimiranja) na 'dopustivo područje'
odnosno podskup prostora Rn u kojem su zadovoljena sva ograničenja.
Ograničenja mogu potjecati iz prirode fizikalnog problema (npr. dovoljna
nosivost konstrukcije) ili iz praktičnih ili tehnoloških uvjeta (npr.
raspoložive ili dopuštene dimenzije elemenata konstrukcije), ili pak iz
postojećih propisa ili normativa.
Drugi korak je postavljanje matematičkog modela problema na temelju

spomenutog fizikalnog modela. U ovom koraku moramo postaviti
matematičke izraze i definirati međusobne ovisnosti varijabli, temeljem
kojih možemo riješiti problem. Pri tome je nužno precizno definirati
model u smislu određivanja izraza koji definiraju veze i ovisnosti veličina
te potom definiranja parametara, varijabli, ograničenja i kriterija
optimalnosti.
Idući korak je postavljanje algoritma za rješavanje problema. Algoritam

mora definirati računske korake, radnje, redoslijed, uvjetovanost i druge
elemente nužne za dobivanje rješenja na jednoznačan način koji se može
izvršiti numeričkim putem. Današnji algoritmi su naravno prilagođeni
izvršavanju na računalu i u velikoj mjeri se temelje na numeričkim
postupcima analize. U predračunalnim vremenima algoritmi su bili
prilagođeni ručnom računanju ili grafičkim postupcima te su u
postavljanju modela bila nužna brojna zanemarivanja i
pojednostavljivanja. Dobar algoritam mora se (kao i kod svih postupaka
inženjerske analize) između ostalog odlikovati sljedećim bitnim
svojstvima:
- točnost dobivenog rješenja,
- općenita primjenjivost za pripadnu kategoriju problema,
- robusnost odnosno neosjetljivost na numeričke probleme te
stabilnost procesa rješavanja,
- jednostavnost algoritma i primjene,

- brzina odnosno numerička učinkovitost,

- što manja potreba za intervencijama korisnika,
- što manja potreba podešavanja parametara algoritma,
- što veća interna inteligencija algoritma, odnosno sposobnost
učenja te svojstva adaptivnosti algoritma, elementi 'umjetne
inteligencije'
Pri tome kao robusnost algoritma i stabilnost postupka rješavanja u

inženjerskom smislu podrazumijevamo otpornost na moguće numeričke
probleme, primjerice diskontinuitete domene i funkcija, velike lokalne
varijacije gradijenata, slabu numeričku uvjetovanost problema i slično.
Poželjno svojstvo takvih algoritama jest da dobro prate globalni tijek
funkcija bez obzira na njihov mogući 'problematičan' lokalni karakter u
nekim točkama.
Kako ne postoje algoritmi koji idealno istovremeno zadovoljavaju sve ove
zahtjeve (tada bi svi ostali algoritmi 'odumrli'), postoji cijeli niz metoda
sa svojim pripadnim prednostima, manama i preporučenim područjima
primjene.
Idući korak je izrada programa koji implementira algoritam i rješavanje

problema na računalu. Ako se koristi neki gotovi specijalizirani
programski paket za optimizaciju, tada se korisničko programiranje svodi
na programsko kodiranje matematičkog modela promatranog problema,
odnosno funkcije cilja, ograničenja te simulacije odziva sustava za
različite vrijednosti varijabli (kod implicitnih modela).
Slijedi korak testiranja programa. Ovaj korak indirektno (integralno)

verificira kako postavljeni matematički i fizikalni model, tako i algoritam
i programski postupak dobivanja rješenja. Testiranje (ako je moguće)
vršimo na skupovima podataka za koje poznamo ulazne veličine i
pripadno fizikalno rješenje. Ovo naravno implicira da eventualno
utvrđene pogreške u rezultatima, prije nego ih možemo otkloniti, moramo
biti u stanju selektivno pridijeliti pripadnom mjestu nastajanja, npr.
postavljenom modelu, algoritmu ili programskoj realizaciji. Tada je
moguće napraviti i određene korekcije modela i algoritma ako testovi
pokažu potrebu (slika 1.2).
Kompletiranjem svih koraka prema prethodnom razmatranju nastaje

specijalizirani optimizacijski numerički alat u obliku programa na

računalu koji može rješavati probleme iz kategorije postavljenog modela.

Sada je moguće primjenom tog alata numerički rješavati konkretne
probleme, u postupku prema slici 1.2.

Definicija problema - specifikacija projektnog zadatka

(kriteriji optimalnosti, ograničenja, skupovi testnih podataka)
Fizikalni model
Matematički model
(varijable, parametri, izrazi, funkcija cilja, ograničenja)
Metoda, algoritam
(postupci optimiranja i numeričke analize)
Programski alat
(implementacija algoritma na računalu)
Rješavanje – optimizacija
- početne točke i kontrolni parametri iskustveno
- postupak optimizacije: - kretanje po domeni (postupak)
- analiza u svakoj točki (funkcija cilja,
ograničenja)
- provjera kriterija prihvaćanja i zadovoljavanja ograničenja
- korekcije parametara prema potrebi
korekcije
Analiza i testiranje
provjera rješenja na skupovima ulaznih podataka sa poznatim
rješenjima, otklanjanje grešaka i modifikacije
Slika 1.2. Koraci postupka inženjerskog optimiranja
Ukupni slijed koraka te opća logika postupaka kod procesa numeričkog

optimiranja može se ilustrirati jednostavnim algoritmom za određivanje

minimuma funkcije jedne varijable bez ograničenja. Postupak u primjeru

1.1 se inače može koristiti za određivanje unimodalnog intervala
funkcije (unutar kojeg se nalazi jedan minimum), a koji može biti polazni
interval za primjenu učinkovitijih algoritama.
Primjer 1.1: Elementarni algoritam numeričkog 1-

dimenzionalnog traženja minimuma (primjenjiv kao
postupak traženja unimodalnog intervala)
Pseudokod metode 1D traženja po shemi (postupak tri

točke):
shema postupka: 1. počevši iz xo , kretanje sa

korakom ∆x
x = x + ∆x ,
sve dok je ispunjeno f(xi+1) < f(xi)
(predznak početnog ∆x odabrati
tako da vrijednost funkcije pada)
2. kada nije više ispunjeno

f(xi+1) < f(xi) ,
postaviti xL = xi-1 , xD = xi+1
3. po potrebi sužavanje intervala:

povrat x = x - ∆x te smanjenje
koraka ∆x = ∆x/2
4. zaustavljanje kod ∆x < TOL
5. unimodalni interval širine

2*TOL: <xL , xD>

f f
i-1 i i+1
xo x
∆x
∆x/2
xL xD
Ovdje je naravno riječ o elementarnom algoritmu samo

za svrhu ilustracije. Alternativno se ovaj algoritam
može izvesti tako da se lijeva točka konstantno
postavlja na točku za ∆x lijevo od one iz koje se još
uvijek uz korak ∆x ostvaruje pad vrijednosti
funkcije, dok su preostale dvije točke one sa
prirastom ∆x i 2∆x u odnosu na tu točku.
Ukupni proces optimizacije ne može se promatrati kao 'automatizirani

rutinski postupak' jer korisnik mora imati kompetencije u smislu:
• odabira prikladne metode za razmatrani problem,
• odabira parametara metode i dobre početne točke,
• formiranja kvalitetnog modela sa dobro definiranim varijablama te
kriterijima optimalnosti i ograničenjima, te fizikalnog modela,
• praćenja tijeka postupka,
• interpretacije rezultata.
U tom smislu je optimizacija razmatranog problema u velikoj mjeri
interaktivan i iterativan proces.

Zbog lakšeg praćenja temeljnih pojmova i postavki optimizacije te

razmatranja fizikalnog problema iz kojeg slijedi optimizacijski model, za
primjer je odabran problem grednog nosača opterećenog na savijanje
(primjer 1.2). Uz željenu jednostavnost modela ovaj primjer pruža
dovoljan stupanj općenitosti za ilustraciju ukupnog procesa prema slici
1.2. Ovdje će zasad biti ilustrirani prvi koraci vezani uz definiciju
problema i postavljanje osnovnog modela.
Primjer 1.2: Optimalno projektiranje ('design')

grednog nosača opterećenog prema slici, sa prikazanim
raspoloživim oblicima poprečnih presjeka.
t a
Kod ovog primjera možemo definirati sljedeće elemente

modela optimizacije:
- varijable problema: tip i dimenzije poprečnog

presjeka
- mogući kriteriji optimalnosti:

- minimalna masa odnosno utrošak materijala
- minimalni trošak održavanja odnosno minimalno
oplošje grede
- minimalni 'ukupni trošak korištenja' ('TCO,
total cost of operation')
- ograničenja:
- dovoljna nosivost grede odnosno naprezanje
manje od dopuštenog
- konstrukcijska ograničenja (dimenzije, omjeri
dimenzija)
- tehnološka izvodivost
- tehnički propisi i standardi
- druga ograničenja

- fiksni parametri zadatka: vanjsko opterećenje,

duljina nosača
- matematički model problema : definiran na temelju

statike nosača i mehanike materijala, detaljniji opis
vidjeti u primjeru 5.5.
U općem slučaju ovaj primjer bi mogao sadržavati elemente kako

topološke optimizacije (odabir tipa profila odnosno geometrijske
strukture, vidjeti primjer 8.3), tako i dimenzionalne optimizacije
(određivanje optimalnih dimenzija odabranog tipa profila). Varijable bi
mogle biti kontinuirane (izrada profila prema našim zahtjevima) ili pak
diskretne (ako je potrebno napraviti optimalni odabir iz postojećih
standardnih dimenzija profila).
1.3. Podjela problema i metoda optimizacije

Postoji niz podjela problema optimizacije, od kojih su važnije sljedeće:
Prema postojanju ograničenja: - bez ograničenja

- sa ograničenjima
Prema tipu varijabli: - kontinuirane varijable

- diskretne varijable
- cjelobrojne varijable
- mješovite varijable
Prema karakteru modela: - linearni problemi (linearna funkcija cilja i

ograničenja)
- kvadratni problemi
- opći nelinearni problemi
Prema načinu rješavanja: - direktni postupci traženja

- gradijentni postupci
Prema načinu istraživanja domene:

- lokalni postupci
- globalni postupci
Evolucijski postupci (primjerice genetski algoritmi) po svojoj prirodi

spadaju u direktne (negradijentne) globalne postupke, no obično se
razmatraju izdvojeno.
Pod terminom lokalna optimizacija obično se podrazumijevaju metode

koje (sa ili bez primjene gradijenta) istražuju ponašanje funkcije u blizini
trenutne točke (npr. metode u 4.2), dok globalna optimizacija
podrazumijeva istraživanje ponašanja funkcije u cijeloj domeni, kao npr.
u poglavlju 6.3.
1.4. Osnovni pojmovi i formulacija modela za optimizaciju
Svrha ovog poglavlja je objašnjenje nekih osnovnih pojmova potrebnih za

postavljanje i rješavanje problema optimizacije. Neki od pojmova i
svojstava u nastavku predstavljaju teoretsku podlogu na kojoj su izgrađeni
numerički algoritmi optimizacije.
Varijable optimizacije
Varijable optimizacije predstavljaju slobodne veličine o čijem iznosu u

načelu odlučuju projektanti. U procesu optimizacije, odluke o optimalnim
vrijednostima varijabli donose se na način da se u što većoj mjeri ispune
kriteriji optimalnosti iskazani u funkciji cilja uz poštivanje uvjeta
nametnutih kroz ograničenja.
Varijable ('optimization, design variables') su veličine (x1 , x2 , .. , xn) čije

vrijednosti se određuju postupkom optimizacije. One se slobodno
mijenjaju unutar domene, a raspon dopustivih vrijednosti može biti
ograničen na podskup te domene u kojem su zadovoljena zadana
ograničenja. Vektor varijabli označen je sa
x = [ x1 x2 .. xn ]T (1.1)

Geometrijski x predstavlja točku u n-dimenzionalnom prostoru

varijabli, a xopt predstavlja točku optimuma. Broj slobodnih varijabli
optimizacije n određuje dimenzionalnost problema.
Preduvjet primjene postupaka optimizacije je, naravno, da konkretni

problem ima dovoljan 'višak stupnjeva slobode'.
Primjer 1.2, nastavak

U primjeru grednog nosača, varijable mogu biti
dimenzije poprečnog presjeka nosača, npr. kod odabira
I-profila: širina a, visina b i debljina stijenke t
x = [x1 x2 x3]T = [a b t]T
Varijable se iz numeričkih razloga često normiranjem svode na interval

<0,1> ili <-1,1>. Kako varijable optimizacije mogu predstavljati bitno
različite fizikalne veličine (npr. položaj, dimenzije, vrijeme, broj komada,
itd.), izvorni rasponi vrijednosti pojedinačnih varijabli mogu biti vrlo
različiti, u kojem slučaju neki postupci optimizacije bez primjene
normiranja mogu sporije konvergirati prema rješenju.
Funkcija cilja
Funkcija cilja f(x) ('objective function') je funkcija čije vrijednosti

odražavaju stupanj izvrsnosti (optimalnosti) nekog rješenja s obzirom na
zadane kriterije optimalnosti. Ovisno o definiciji problema, može se
tražiti minimum ili maksimum funkcije f .
Funkcija cilja je obično ekonomska kategorija (minimalni trošak,

minimalna investicija, maksimalna dobit) jer je ekonomsko vrednovanje
često jedini 'zajednički nazivnik' svih uključenih raznovrsnih tehničkih (i
drugih) kriterija. Funkcija cilja se mora formulirati u ovisnosti o
varijablama optimiranja (1.1) i poprima oblik npr. minimuma energije,
maksimalnog stupnja iskoristivosti, minimalnog utroška materijala i
slično, kako je detaljnije prikazano u poglavlju 1.7. i primjeru 8.4. U
standardnoj definiciji problema optimiranja traži se

min { f(x) } (1.2.a)
Prijelaz iz traženja maksimuma u traženje minimuma može se primjerice

izvesti putem
max{f(x)} = - min{- f(x)} (1.2.b)
ili se traži min{fREF - f(x)} gdje je fREF neka referentna vrijednost

funkcije.

Kod primjera grednog nosača sa I profilom, funkcija
cilja za kriterij minimalne mase nosača bila bi
min { 2·a·t + t·(b-2·t) } ,
odnosno za kriterij minimalne površine za održavanje
min { 2·a + 4·t + 2·(a-t) + 2·(b -2·t) }
Višeciljna optimizacija
Višeciljna optimizacija ('multicriterial optimization') je slučaj

optimizacije kada je u definiciji zadatka iskazano više kriterija
optimalnosti koji pojedinačno nemaju zajednički minimum u istoj točki.
U ovakvim slučajevima traži se najbolje 'kompromisno rješenje' s
obzirom na sve zadane kriterije.
Prvi korak je uvijek normiranje pojedinih funkcija cilja fk u okvirno iste

raspone vrijednosti, jer se takvim uravnotežavanjem postiže jednak
utjecaj svih parcijalnih funkcija cilja. Normiranje se može provesti s
gledišta uravnoteženja iznosa funkcija cilja, ali i zbog uravnoteženja
iznosa njihovih gradijenata.
Objedinjeni kriterij izvrsnosti rješenja odnosno integralna funkcija cilja

formira se kombiniranjem zadanih parcijalnih kriterija. Najjednostavniji

način je suma 'ponderiranih' kriterija uz pomoć težinskih faktora wk koji

odražavaju relativnu važnost pojedinog kriterija u ukupnoj izvrsnosti:
f(x) = Σ wk ⋅ fk(x) , Σ wk = 1 , wk > 0 (1.3.a)
pri čemu se sumira po pojedinim kriterijima od ukupno K.
Ovakav jednostavni pristup s komponiranjem pojedinih funkcija cilja

putem težinskih faktora nije međutim uvijek pogodan jer u ovisnosti o
odabiru težinskih faktora može voditi ka dominaciji neke od parcijalnih
funkcija cilja. U tom smislu postoje i drugi pristupi ovom problemu, te se
često primjenjuje tzv. princip Pareto- optimalnosti [2].
Neka točka xopt je Pareto-optimalna ako ne postoji točka x takva da je
fk(x) < fk(xopt) za barem jedan k Є K

fk(x) ≤ fk(xopt) za sve k Є K (1.3.b)
odnosno ako ne postoji druga točka x u kojoj se smanjuje barem jedna

funkcija cilja (kriterij) bez povećanja ostalih.
U prostoru kriterija optimizacije

-f2
fk može se nacrtati niz Pareto
točaka ('Pareto points, non-
dominated points') koje
zadovoljavaju (1.3.b), odnosno Ω
nacrtati Pareto-krivulja, koja se
može prenijeti i u prostor -f1
varijabli.
Pareto točke odnosno krivulja može se dobiti i putem (1.3.a) variranja

težinskih faktora, kada svaka kombinacija težinskih faktora daje jednu
točku.
Ponekad se kod višeciljne optimizacije prvo određuje sve Pareto točke

(npr. primjenom GA, pogl. 6.3.) pa onda među njima odabere najbolje
kompromisno rješenje ('best compromise solution'). Primjer kriterija za
najbolje kompromisno rješenje je primjerice odabir one Pareto točke xopt

u kojoj je maksimalno odstupanje nekog od kriterija od pripadnog

jednokriterijskog optimuma minimalno:
  f k (x opt ) − f kmin 
  
min max k  (1.3.c)
  f kmin  
 
Ovakvo određivanje najboljeg kompromisnog rješenja je numerički

zahtjevno jer podrazumijeva određivanje niza jednokriterijskih minimuma
fkmin , pa se u nekim varijantama postupka oni zamjenjuju (približnim)
procjenama.
Komponirana funkcija cilja u nekim slučajevima višeciljne optimizacije

može slijediti iz minimizacije maksimalnog iznosa svih (normiranih)
kriterija
min {max k ( f k ( x) )} (1.3.d)
gdje je fk(x) k-ta funkcija cilja. Alternativno se može koristiti formulacija
min {β }
uz
(1.3.e)
f k (x) ≤ β , k = 1, K
gdje je K broj zadanih funkcija cilja, a izvorni vektor varijabli je proširen

varijablom β .
Ograničenja
Ograničenja ('constraints') su uvjeti koje rješenje mora zadovoljiti.

Obično su zadana kao ograničenja nejednakosti ('inequality constraints') u
obliku nejednadžbi
g(x) ≤ 0 ili gj(x) ≤ 0 , j= 1, p (1.4)
odnosno ograničenja jednakosti ('equality constraints') u obliku jednadžbi

h(x) = 0 ili hj(x) = 0 , j= 1, r (1.5)
gdje su p i r ukupni brojevi odgovarajućih zadanih ograničenja. Termin

ograničenja nejednakosti i jednakosti obično se koristi na razini fizikalnog
modela, dok se termin ograničenja u obliku nejednadžbi odnosno
jednadžbi koristi u zapisu u obliku rezultirajućeg matematičkog modela.
Kod ograničenja nejednakosti (1.4) j-to ograničenje se naziva aktivnim

ako je u trenutnoj točki zadovoljeno sa jednakošću gj(x)=0 .
Broj ograničenja jednakosti mora biti manji od broja varijabli (r < n) jer
u suprotnom problem nije dobro definiran (nema potrebne stupnjeve
slobode). Ako je r = n , rješenje sustava jednadžbi ograničenja (1.5) daje
konačan broj mogućih rješenja problema (ili jedno rješenje) te zadani
problem nema stupnjeve slobode potrebne za optimizaciju.
Ograničenja koja eksplicitno definiraju granične vrijednosti pojedine
varijable, npr.
xi , d ≤ xi ≤ x i , g
svode se također na oblik (1.4). Ograničenja zadana u obliku e j (x) ≥ 0
svode se na oblik (1.4) množenjem sa (-1).
Definicija skupa ograničenja kod konkretnog problema obično slijedi iz:

- projektnog zadatka
- fizikalnog modela promatranog problema
- tehničkih propisa i standarda
- uvjeta tehnološke izvodivosti rješenja

Kod prethodnog primjera grednog nosača, ograničenje
nosivosti ima oblik:
σ(a,b,t) - σdop ≤ 0
odnosno Mmax / Wy(a,b,t) - σdop ≤ 0 ,

gdje je Mmax maksimalni moment savijanja, Wy(a,b,t)

moment otpora poprečnog presjeka I-profila, a σdop
dopušteno naprezanje materijala nosača.
Ako je dodatno zadano i ograničenje omjera širine a i
visine b I-profila kao
a ≥ 1/2·b
tada se ovo ograničenje može zapisati u standardnom

obliku
1/2·b - a ≤ 0
U općem slučaju kod projektiranja konstrukcija pojavljuju se primjerice:

- ograničenja nosivosti (čvrstoća kod aksijalnog opterećenja,
nosivost na savijanje, globalna i lokalna stabilnost - izvijanje, ..),
- dopušteni progibi,
- dopuštena opterećenja veza elemenata (vijci, zavari, ..),
- dopušteni rasponi vlastitih frekvencija konstrukcije (ovise o
vrijednostima varijabli optimizacije) zbog moguće pojave
rezonancije sa nekom od frekvencija u spektru uzbude,
- dimenzionalna ograničenja,
- tehnički propisi i standardi,
- tehnološka ograničenja, itd.
Definiranjem kategorija:
- varijable optimizacije
- funkcije cilja
- ograničenja
dobiven je opći oblik definicije problema optimizacije (standardni
optimizacijski model) u konačnom obliku:
min { f(x) }
uz gj(x) ≤ 0 , j= 1, p
hj(x) = 0 , j= 1, r
Grafički se standardni oblik 2D modela optimizacije može prikazati u

dvodimenzionalnom prostoru kao na slici 1.3. Prikazano je dopustivo
područje kao ono gdje su zadovoljena ograničenja (1.4 i 1.5), gdje
spadaju sve točke koje leže na krivulji h1=0, a nalaze se u području gdje
vrijedi g1 ≤ 0 (desno od točke A, koja u ovom slučaju predstavlja

optimum). Kada ne bi postojalo ograničenje h1=0 optimum bi slijedom

nivo-linija funkcije cilja f ležao u točki B.
x2
f = const (fi+1 < fi)
g1 ≤ 0
f3 f2 f1 h1=0
g1=0 dopustivo
B područje
f4
A A=optimum
x1
Slika 1.3. Grafički prikaz 2D problema optimiranja
Kao drugi primjer jednostavnog modela optimizacije može se promotriti

geometrijski problem u nastavku, koji će kao i primjer 1.2 kasnije
poslužiti za ilustraciju numeričkih postupaka optimizacije.
Primjer 1.3. Odrediti dimenzije valjkastog spremnika

volumena V tako da utrošak materijala bude
minimalan.
l V
varijable: radijus baze R, visina l

funkcija cilja: min { 2·R2π + 2·R·π·l }
ograničenja: R2π·l = V
Sam postupak određivanja optimuma vidjeti u kasnijem

primjeru 1.7.
Ograničenja nejednakosti (nejednadžbe) mogu se alternativno prikazati

kao ograničenja u obliku jednadžbi:
g(x) ≤ 0 → g(x) + s2 = 0 (1.6)
gdje su s dodatne varijable. Ograničenja jednakosti (jednadžbe) mogu se

ekvivalentno prikazati kao ograničenja u obliku nejednadžbi:
h(x) = 0 → h(x) ≤ 0 i - h(x) ≤ 0 (1.7)
što se i koristi kod nekih postupaka rješavanja.
1.5. Matematičke osnove i pojmovi
U nastavku su definirani neki pojmovi koji su potrebni kao teorijska

podloga kod primjene numeričkih postupaka. Način definiranja i opisa tih
pojmova u ovom tekstu nema za cilj punu matematičku temeljitost i
cjelovitost već je tekst inženjerski usmjeren s obzirom da ambicije
udžbenika nisu matematičke nego tehničke, aplikativne prirode. Doseg i
namjena teksta u nastavku su razumijevanje pojmova na inženjerskoj
razini te sposobnost primjene pojmova i zakonitosti u konkretnim
primjerima i postupcima.
Linearno neovisni vektori (inženjerska interpretacija) su oni čija

linearna kombinacija nije jednaka nuli osim ako su faktori- množitelji
svih vektora jednaki nula, odnosno ako se niti jedan od vektora ne može
izraziti kao linearna kombinacija drugih.

Funkcija f preslikava točke x iz svoje domene u skup vrijednosti f(x)

unutar raspona vrijednosti funkcije. Funkcija f(x) je neprekidna
(kontinuirana) ako ([2]) niz točaka u domeni {xi} koji konvergira u a
preslikava u niz vrijednosti {f(xi)} koji konvergira u f(a).
Kao primjer, funkcija cilja f iz primjera 1.2 točkama u domeni problema
(trodimenzionalni problem, varijable a, b, t) pridružuje pripadne
vrijednosti kriterija optimalnosti.
Minimum funkcije f(x) je točka xopt za koju vrijedi f(xopt ) ≤ f(x) za

bilo koji x. Točka xopt je globalni minimum ako ovo vrijedi za sve x , a
ako taj izraz vrijedi samo u okolini točke xopt, onda je to lokalni
minimum (slika 1.4, u 1D prostoru).
xoptglobalni xoptlokalni x
Slika 1.4. Globalni i lokalni optimum funkcije u 1D prostoru
U terminologiji inženjerske optimizacije, npr. kod primjera 1.3, pojam

minimuma će u fizikalnom smislu označavati one vrijednosti varijabli
koje daju spremnik zadanog volumena uz minimalan utrošak materijala.
Kod primjene numeričkih postupaka, proces optimizacije se često pokreće
iz različitih početnih točaka radi 'empirijskog' dobivanja globalnog
optimuma odabirom iz niza lokalnih.
Vektor gradijenta funkcije f(x) je vektor čije su komponente parcijalne

derivacije prvog reda funkcije po varijablama

c = ∇f(x) = [ ∂f / ∂xi ]T = [ ∂f/∂x1 ∂f/∂x2 .. ∂f / ∂xn ]T (1.8)
x2 ∇f
f=const. x1
∇f
x3 f=const.
x2
x1
Slika 1.5: Gradijent funkcije u 2D i 3D prostoru (funkcija dvije

odnosno tri varijable)
Vektor gradijenta je normalan na tangentnu ravninu izo - plohe (nivo-

plohe) f(x)=const., te je usmjeren u smjeru maksimalnog porasta
vrijednosti funkcije (slika 1.5). Za neki vektor s unutar nivo plohe vrijedi
f(x(s)) = const, pa za prirast vrijedi df = df/dx ⋅ dx/ds = ∇f ⋅ x& s = 0, pri
x( s ) − x(0)
čemu je vektor x& s = s →0
u tangencijalnoj ravnini te je vektor
s
gradijenta normalan na njega.
Duljina (modul, iznos) vektora gradijenta (kao kod bilo kojeg vektora)
dana je sa

n
c = ∑c
i =1
2
i = cT ⋅ c (1.9)
Jednostavan primjer određivanja gradijenta funkcije dvije varijable prema

izrazu (1.8) dan je u primjeru 1.4.
Primjer 1.4: Potrebno je odrediti gradijent

funkcije f = (x1 - 2)2 + x22 u točki (1, 1).
∂f / ∂x1 = 2( x1 − 2)
∂f / ∂x2 = 2 x2
što u točki (1,1) daje vektor gradijenta
c = [ -2 2 ]T
koji je okomit na tangentu na izo-liniju f = 2 .
(2,0)
Hesseova matrica funkcije f(x) je simetrična matrica čiji su elementi

druge parcijalne derivacije funkcije

 2 ∂2 f 
∂ f ∂2 f
.. ∂x1∂xn 
 ∂x12 ∂x1∂x2 
 ∂ f 2   ∂2 f 
∂2 f
H = ∂2f/(∂x ∂x) = O O =  .. ∂x 2 ∂x n  (1.11)
 ∂xi ∂x j   ∂x 22 
 .. 
 ∂2 f 
 
 ∂x n2 
Kod određivanja vektora gradijenta i Hesseove matrice često se koriste

približni numerički izrazi za derivacije prvog i drugog reda na osnovi
konačnih diferencija. Tako na osnovu razvoja u Taylorov red u točki x sa
prirastima δ te -δ, zanemarivanjem članova trećeg i višeg reda te
eliminacije odgovarajućih članova vrijedi (centralne konačne razlike):
∂f ( x) f ( x1 , x 2 ,.., xi + δ ,.., x n ) − f ( x1 , x 2 ,.., xi − δ ,.., x n )

≈ (1.12)
∂xi 2δ
∂ 2 f ( x) f ( x1 , x 2 ,.., xi + δ ,.., x n ) − 2 f (x) + f ( x1 , x 2 ,.., xi − δ ,.., x n )

≈ (1.13)
∂xi
2
δ2
∂ 2 f (x) ∂  f ( x1 , x 2 ,.., xi + δ ,.., xn ) − f ( x1 , x2 ,.., xi − δ ,.., xn ) 

≈   (1.14)
∂xi ∂x j ∂x j  2δ 
Razvoj u Taylorov red funkcije f(x) omogućava da se vrijednost

funkcije u nekoj točki aproksimira pomoću vrijednosti funkcije i njenih
derivacija u nekoj susjednoj točki (odnosno dobije približna vrijednost
prirasta funkcije između dvije točke):
f(x + ∆x) = f(x) + ∇fT(x) ⋅ ∆x + 1/2 ⋅ ∆xT ⋅ H ⋅ ∆x + ostatak (1.15)
za 1D:
f(x+dx) = f(x) + (df/dx)⋅∆x + 1/2⋅ (d2f/dx2) ⋅∆x2 + ostatak (1.16)
za 2D: (1.17)

f(x1+dx1, x2+dx2) = f(x1, x2)+ (∂f/∂x1)⋅∆x1+ (∂f/∂x2)⋅∆x2+

+1/2{(∂2f/∂x12)⋅∆x12+ 2(∂2f/(∂x1∂x2))⋅∆x1⋅∆x2+ (∂2f/∂x22)⋅∆x22}+ost.
U izrazima (1.15)-(1.17) termin 'ostatak' označava članove trećeg i viših

stupnjeva od ∆x koji su zanemareni kao vrlo male veličine za mali ∆ x.
Zbog toga ovi izrazi daju zadovoljavajuću aproksimaciju samo za male
priraste ∆x odnosno 'u okolini' trenutne točke.
Linearizacija funkcije u trenutnoj točki x dobije se razvojem funkcije u

Taylorov red uz uzimanje samo člana prvog stupnja od ∆x .
Primjer 1.5: Rastav u Taylorov red do drugog člana

funkcije f = 2x12x23 - 5 u točki x0(1,1).
f(1,1) = -3
 ∂f / ∂x1   4 x1 x 23 
∇f =   =  2 2
∂f / ∂x 2  6 x1 x 2 
 ∂ 2 f / ∂x12 ∂ 2 f /(∂x1∂x 2 )  4 x 23 12 x1 x 22 
H = 2  =  
∂ f /(∂x1∂x 2 ) ∂ 2 f / ∂x 22  12 x1 x 22 12 x12 x 2 
Prema (1.15) vrijedi:
~  x − 1 1  4 12  x1 − 1
f = −3 + [4 6]  1  + [x1 − 1 x2 − 1]   
 x2 − 1 2 12 12  x2 − 1
~
gdje je f približna vrijednost f na temelju dva
x −1
člana Taylorovog reda uz ∆x = x- x0 =  1  .
 2 − 1
x
Prva dva člana gornjeg izraza predstavljaju linearnu

aproksimaciju f(x), a ukupni izraz kvadratnu
aproksimaciju funkcije f(x) .
Konačno množenjem matrica slijedi:
~
f = 2 x12 + 6 x 22 + 12 x1 x 2 − 12 x1 − 18 x 2 + 7

Usporedba vrijednosti zadane funkcije i kvadratne

aproksimacije:
(1,1) (2,1) (1,2) (0,1) (1,0)

f -3 3 11 -5 -5
~ -3 3 9 -5 -3
f
Vidljiva je bolja aproksimacija funkcije f po x1 jer

je funkcija kvadratna po x1 , a kubična po x2.
Primjenom približnog izraza za deriviranje (1.12),

gradijent se može odrediti s prirastom δ = 0.1 kao
 
( ) ( )
 2( x1 + δ ) x2 − 5 − 2( x1 − δ ) x 2 − 5
2 3 2 3

 2δ 
∇f =  
(
 1 2
) (
 2x 2 ( x + δ )3 − 5 − 2x 2 ( x − δ )3 − 5
1 2 ) 

 2δ 
što daje približnu vrijednost gradijenta. Primjenom

(1.13) i (1.14) može se približno odrediti matrica H.
Nužni uvjet za ekstrem funkcije f(x) bez ograničenja slijedi iz

prirasta vrijednosti funkcije f(x) u Taylorovom razvoju (1.15) koji mora
biti nenegativan za sve ∆x iz čega slijedi:
∇f(x) = 0 (1.19)
Naime ako je x točka minimuma f(x), tada za (lokalnu) promjenu

vrijednosti funkcije vrijedi f(x+∆x)-f(x)≥ 0 , što je za proizvoljni ∆x u
(1.15) moguće jedino uz uvjet (1.19).
Zbog uvjeta ∆f >0 za svaki 'mali' ∆x, te obzirom da drugi član reda
dominira nad ostatkom iz (1.15), dovoljni uvjet za minimum slijedi kao:
∆xT ⋅ H ⋅ ∆x > 0 (1.20)
što vrijedi za pozitivno definitne matrice H .

f
f(x)
f = const = f1
x2
f = const
f1
x1
Slika 1.6: Minimum funkcije dvije varijable i nivo-krivulje

funkcije
Na slici 1.6., nivo-krivulje (izo-linije) funkcije cilja dobivene su

presijecanjem grafa funkcije f(x) s ravninama f = const, te su
rezultirajuće krivulje projicirane na domenu, ravninu x1x2 .
Kod kvadratne funkcije uz A=[ aij ]
f(x) = 1/2 ⋅ xT ⋅ A ⋅ x + b ⋅ x + c (1.21)
gradijent ima oblik (može se izvesti iz zapisa u obliku kao u (1.18)) :
∇f(x) = A ⋅ x + b (1.22)
te je ∇2f(x) = aij .
Primjer 1.6.
Za funkciju f(x)=(x1-2)2+(x2-3)2+4
postaviti uvjete za minimum funkcije.

Iz izraza (1.19) slijedi nužni uvjet za ekstrem:
 2( x − 2)  0
∇f =  1 = 
2( x2 − 3) 0
Iz ove dvije jednadžbe slijedi da se minimum nalazi u

točki (2,3), a uvrštenjem te točke u funkciju slijedi
iznos minimuma f=4 .
Konveksni skup je takav skup kod kojeg proizvoljna točka na spojnici

bilo koje dvije točke skupa
x = (1- α) ·x1 + α·x2 , α Є <0, 1> (1.23)
također pripada tom skupu.
Konveksna funkcija definirana na konveksnom skupu je ona kod koje

graf funkcije između dviju točaka leži 'ispod' spojnice tih dviju točaka, tj.
f(x) = f((1- α) ·x1 + α·x2 ) ≤ (1- α) ·f(x1) + α·f(x2) (1.24)
Konveksna funkcija ima nenegativnu drugu derivaciju u svakoj točki te iz

Taylorovog reda vrijedi svojstvo f(x+dx) ≥ f(x) + df/dx·dx .
Funkcija n varijabli je konveksna na konveksnom skupu ako je pripadna
Hesseova matrica pozitivno semidefinitna, što se kod funkcije jedne
varijable svodi na uvjet nenegativne druge derivacije f"(x)≥ 0 .
Važno svojstvo konveksnih funkcija kod optimizacije jest da je za
konveksnu funkciju lokalni minimum funkcije istovremeno i globalni
minimum.
Problem optimizacije sa ograničenjima (1.4) i (1.5) je konveksan ako su

funkcija cilja f i sva ograničenja nejednakosti (1.4) konveksne funkcije,
a ograničenja jednakosti (1.5) linearna. Konveksnost ograničenja
osigurava razmatranje konveksnog skupa, pri čemu linearna ograničenja
jednakosti ili nejednakosti uvijek daju konveksno dopustivo područje.

Optimum kod problema sa ograničenjima
Kod određivanja optimuma funkcija s ograničenjima, određivanje

optimuma funkcije bez 'ograničenja' uz naknadno provjeravanje
zadovoljavanja ograničenja nema naravno smisla (slika 1.3), već je
zadovoljavanje ograničenja potrebno ugraditi u sam postupak traženja
optimuma, vidjeti [1] - [4].
Kod problema sa ograničenjima općenito u optimumu ne vrijedi (1.19).

Gradijent funkcije cilja u točki optimuma (slika 1.7) ne mora biti jednak
nuli, jer se vrijednost funkcije cilja može i dalje smanjivati (uz
narušavanje uvjeta ograničenja) do točke E (u kojoj vrijedi f ' = 0) .
M g(x) ≤ 0
E
g(x) = 0 x
Slika 1.7. Optimum kod 1D problema sa ograničenjem nejednakosti
Primjer 1.7. [1]: Odrediti optimalne dimenzije

cilindričnog spremnika volumena V
Model: varijable: radijus R, visina l

funkcija cilja: minimalni utrošak materijala
f = 2R2π + 2Rlπ

ograničenja: R2πl = V
l V
1. Način rješavanja: redukcijom broja varijabli na

temelju ograničenja jednakosti:
Kako je riječ o jednostavnom primjeru sa jednim
ograničenjem jednakosti, to ograničenje se može
iskoristiti za eliminaciju jedne od varijabli,
npr:
l = V/(R2π) .
Sada zadani problem postaje 1D problem bez

ograničenja s funkcijom cilja
f~ = R2 + V/( Rπ)
te se može riješiti analitički postavljanjem

nužnog uvjeta za optimum:
2R - V/( R2π) = 0
Optimum se dobije kao:
R = (V/2π)1/3 , l = (4V/π)1/3
2. Način rješavanja: primjenom Lagrangeove

funkcije:
funkcija cilja: f = 2R2π + 2Rlπ

ograničenje: h = R2πl - V = 0 .
Slijedi Lagrangeova funkcija
L(R,l,µ) = R2 + Rl + µ(R2πl - V)
i nužni uvjeti za ekstrem za L(R, l, µ) daju:
2R + l + 2R µ πl = 0
R + µR2π = 0
R2πl - V = 0 .

Dobiveni nelinearni sustav može se riješiti po

varijablama (R,l,µ) te se dobije isto rješenje
kao i kod 1. načina. Dodatno se dobije
Lagrangeov multiplikator
µ = - 2/(Vπ2)1/3 .
Česta je primjena određivanja optimuma problema s ograničenjima u

mehanici. Fizikalni model problema se izvodi putem energetskih metoda
odnosno metoda analitičke mehanike, a jednadžbe kinematičkih veza
među tijelima sustava (zglobovi, klizači, itd.) mogu se ugraditi kao
ograničenja jednakosti putem članova s Lagrangeovim množiteljima.
Smjerovi pada funkcije i dopustivi smjerovi kod kretanja prema

optimumu
Kod numeričkih algoritama za traženje optimuma funkcije s

ograničenjima iznimno važni pojmovi su 'smjerovi pada funkcije' i
'dopustivi smjerovi'. Algoritmi traženja optimuma moraju poštovati ova
svojstva i na odgovarajući način se kretati kroz domenu problema prema
optimumu definiranom KT uvjetima (1.30)- (1.34).
Smjer pada funkcije je bilo koji smjer d iz trenutne točke xi u kojem

funkcija cilja smanjuje vrijednost u odnosu na trenutnu točku:
f( xi + α·d) < f(xi) (1.36)
što na osnovu razvoja u Taylorov red za mali α>0 prelazi u izraz:
∇f (x i ) ⋅ d < 0
T
(1.37)
Kako gradijent funkcije ima smjer najbržeg rasta funkcije, smjer pada
funkcije d mora ležati u poluravnini suprotnoj od gradijenta funkcije f,
tj. s njim zatvarati kut od 900 do 2700 , prema slici 1.10:

x2 fi+1 < fi t
∇f fi
x
fi+1
t
smjerovi pada vrijednosti
funkcije iz točke x
f = const
x1
Slika 1.10: Smjerovi pada vrijednosti funkcije u točki x
Dopustivi smjer d se definira iz neke dopustive početne točke, odnosno

točke u dopustivom području koja zadovoljava ograničenja g(xi) ≤ 0.
Smjer d je dopustiv ako postoji neki α > 0 tako da i nova točka (xi+α·d)
bude u dopustivom području.
Ako je točka (xi+α·d) u dopustivom području odnosno zadovoljava

ograničenja, tada vrijedi:
g(xi + α·d) ≤ 0 , (1.38)
što je ispunjeno ako za sva aktivna ograničenja (za koja je gk(xi) = 0)

vrijedi
∇g k (x i ) ⋅ d < 0 , za sva aktivna ograničenja
T
(1.39)
Iz ovog izraza slijedi da dopustivi smjerovi leže unutar presjeka

poluravnina (omeđenih pravcima t1, t2) suprotno usmjerenih od
gradijenata odgovarajućih aktivnih ograničenja gk , prema slici 1.11:

x2
∇g 1 ∇g 2 t1
t2
x
t1 t2
dopustivi smjerovi
iz točke x
g1 =0 g2=0
x1
Slika 1.11: Dopustivi smjerovi iz točke x
Stoga postupci optimizacije iz točke unutar dopustivog područja idu po

nekom smjeru pada funkcije (1.36)- (1.37). Kod točke na rubu dopustivog
područja smjer traženja je neki od onih koji su istovremeno i dopustivi
smjerovi (1.38)- (1.39) za trenutno aktivna ograničenja i smjerovi pada
funkcije cilja (1.36)- (1.37).
1.6. Praktični aspekti kod optimizacije
Iterativno rješavanje
Postupci optimiranja su višestruko iterativni. Numeričko rješavanje

modela problema (točka 2. u prethodnoj listi) sadrži odgovarajuće petlje
zbog potrebe numeričkog određivanja rješenja ili odziva nelinearnog
modela za trenutne vrijednosti optimizacijskih varijabli (npr. rješavanje
nelinearnog sustava, vremenska integracija, itd). Petlje optimizacijskog
postupka (točka 3.) koje iteracijama vode prema optimalnom rješenju

ugniježđene su oko ovih iteracija u simulaciji odziva modela problema,

prema slikama 1.14 i 1.15.
Iteracije su algoritamska shema rješavanja putem uzastopnih poboljšanja

predloženog rješenja prema shemi na slici 1.14. Iterativni postupak
rješavanja konvergira ako slijed rješenja u uzastopnim iteracijama teži
prema stvarnom rješenju, odnosno greška se kroz iteracije smanjuje. U
suprotnom postoji divergencija, u kojem slučaju treba pokušati
promijeniti početno rješenje, metodu rješavanja ili drukčije formulirati
model problema.
Proces konvergencije može se pratiti kroz iteracije i to kroz uzastopne

promjene vrijednosti nekog od kriterija prihvaćanja rješenja. Tako se
primjerice može pratiti promjena vrijednosti funkcije cilja ili norma
promjene vrijednosti vektora varijabli u uzastopnim iteracijama.
predloženo početno
rješenje x
rješavanje matematičkog
modela sustava za
korekcija predloženo rješenje x
predloženog
rješenja x
praćenje konvergencije
iterativnog procesa
prekid
procesa
ne da
rješenje sustava za x
je zadovoljavajuće
rješenje
Slika 1.14: Shema procesa iterativnog rješavanja

Funkcionalne cjeline kod optimizacije
Tipični optimizacijski postupak rješavanja sadrži funkcionalne cjeline kao

na slici 1.15. Realizacija ukupnog postupka prema slici ostvaruje se
programskim putem.
Danas je vrlo česta integracija potrebnih numeričkih alata u procesu

projektiranja. Tako se primjerice kod optimalnog projektiranja nekog
konstrukcijskog elementa tipično povezuje:
1. CAD (računalna grafika, 'computer aided design') programi za
definiranje geometrije objekata putem 2D ili 3D grafičkog
modeliranja
2. FEA (metoda konačnih elemenata, 'finite elements analysis')
programi za analizu problema mehanike kontinuuma primjenom
aproksimacijskih funkcija uz diskretizaciju prostora, npr.
određivanje polja naprezanja u elementu, ili drugo
3. program za numeričku optimizaciju
Pri tome program za optimizaciju, mijenjajući vrijednosti varijabli
optimizacije, mijenja geometriju definiranu u CAD i FEA, a rezultati
dobiveni proračunom u FEA definiraju vrijednosti ograničenja potrebne
za optimizaciju.
početno rješenje
optimizacijski ciljne
algoritam funkcije rješavanje
aproksimacija matematičkog
fizikalnog modela
modela problema -
problema funkcije simulacija
ograničenja
optimalno rješenje
Slika 1.15: Tipičan hodogram optimizacije kod inženjerskih problema

Optimizacija u kontekstu odlučivanja
sinteza, optimizacija
modeliranje, simulacija, analiza
iskustvo
znanje
ideje
odluke,
pravila aktivnosti
postupci
odabir
podaci oblikovanje informacije
sažimanje
Slika 1.16. Optimizacija u sklopu ukupnog procesa odlučivanja
Optimizacija se u širem smislu primjene može ubrojiti u elemente sustava

za potporu odlučivanju, osobito kada je vezana uz neki informacijski
sustav. U takvom ukupnom sustavu zastupljena je i baza znanja, logika i
procedure optimalnog odlučivanja, odnosno elementi ekspertnog sustava.
U kontekstu ovog udžbenika, inženjerska numerička optimizacija

predstavlja skup odgovarajućih metoda, algoritama te programa koji
računalo od generičkog stroja nadograđuju u specijalizirani alat za
inženjere- projektante za rješavanje problema u praksi:

zadatak optimalnog projektiranja
model problema
računalo metode i algoritmi programska

za numeričku implementacija
optimizaciju modela
problema
računalo kao specijalizirani alat za

inženjersku numeričku optimizaciju
optimalno rješenje zadatka
Slika 1.17. Infrastruktura inženjerske numeričke optimizacije
Gradivo u ovom udžbeniku pokriva cijeli niz postupaka jer nije moguće
dati opći recept 'kada primijeniti koji postupak'. Postoje međutim iskustva
iz kojih slijede načelne preporuke o područjima primjene i potencijalnim
poteškoćama kod primjene pojedinih metoda.
1.7. Funkcija cilja kod primjera u praksi
Funkcija cilja kod stvarnih primjera optimizacije odražava kriterije

optimalnosti nekog rješenja u ovisnosti o projektnim varijablama, te je
često sastavljena od više parcijalnih ciljeva, odnosno po prirodi problema
je multikriterijalna.
Funkcija cilja u ovom smislu često ima ekonomski karakter te se kao

'zajednički nazivnik' za pojedine parcijalne funkcije cilja pojavljuje
'novčana protuvrijednost', često kao minimalni trošak ili kao maksimalna
dobit. Kod primjera grednog nosača (primjer 1.2) funkcija cilja može
primjerice biti kombinacija:

• minimalne mase nosača (minimalni utrošak materijala) , izražene

kao minimalna površina poprečnog presjeka nosača, te
• minimalnog oplošja nosača (minimalni trošak održavanja),
izraženog kao minimalni opseg poprečnog presjeka nosača
Kako svi troškovi ne nastaju u isto vrijeme, potrebno je uzeti u obzir

'dinamičku novčanu vrijednost', odnosno diskontirati prihode i troškove
prema godinama (ili drugim razdobljima) njihovog nastajanja. U svrhu
usporedbe različitih novčanih tokova, potrebno ih je svesti na sadašnju
vrijednost postupkom sumiranja diskontiranih tokova, te ih tada
usporediti. Time se funkciju cilja može izraziti kao sumu financijskih
tokova vrijednosno svedenih na početni trenutak.
Izračun diskontiranih vrijednosti novčanih tokova i njihovih neto

sadašnjih vrijednosti (NSV) prikazan je sljedećim izrazom (p je stopa
diskontiranja)
M
NetoFinancijskiTok (i )
NSV NetoFinancijskihTokova = ∑ (1.50)
i =0 (1 + p ) i
gdje su i razdoblja, a pri čemu pojedinačni tokovi mogu biti pozitivni

(priljev) i negativni (odljev).
Kod modeliranja troškova, uz neposredne materijalne troškove, uvijek je
potrebno uzeti u obzir i pripadnu amortizaciju korištene imovine (npr.
opreme, strojeva). U suprotnom se nakon eksploatacije vrijednost te
imovine nepovratno izgubila bez mogućnosti obnove odnosno nabave
zamjenske nove opreme. Time bi taj projekt u stvari stvorio gubitak čak i
ako je likvidno pokrivao neposredne materijalne troškove. Neto- efekti
nekog projekta (kao ispravno mjerilo za funkciju cilja) moraju naime
pokrivati ne samo troškove, nego i pripadni gubitak vrijednosti korištene
opreme i druge imovine.
Neto efekti nekog projekta u nekom vremenu računaju se po sljedećoj

načelnoj shemi:

+ (1) Prihod
- (2) Troškovi:
• materijalni troškovi
• trošak rada
- (3) Amortizacija
- (4) Financijski troškovi (kamate)
- (5) Porezi
= (6) Neto dobit
Dobit nije ekvivalentna financijskim tokovima, odnosno neto razlici

financijskih priljeva i odljeva (koja se evidentira u tablici financijskih
tokova). Projekt može biti negativan (stvarati gubitke) i ako su financijski
priljevi veći od odljeva, npr. ako prihod ne uspijeva uz troškove pokrivati
i amortizaciju.
Iz ovih razloga, prihod kojeg stvara projekt (ili proizvod) nije nužno
ispravan odabir za funkciju cilja kod optimizacije, jer on ne mora biti
vjerodostojno mjerilo uspješnosti projekta. Isto tako nije nužno bolji
projekt onaj čija provedba iziskuje manje materijalne troškove (manje
materijala, manje rada) jer je potrebno uzeti u obzir i pripadnu investiciju.
Kod modeliranja funkcije cilja, kao mjerilo se stoga mora uzeti neto dobit
kroz vijek projekta diskontirana po vremenskoj osi, jer su u nju uključeni
i prihodi i troškovi i investicija (kroz gubitak vrijednosti opreme).
Detaljnije razmatranje funkcije cilja kao ekonomske kategorije dano je u
primjeru 8.4.
1.8. Primjeri modeliranja

U nastavku je dan niz ilustrativnih primjera iz različitih područja primjene
metoda optimizacije. Svrha ovih primjera na ovom mjestu u udžbeniku
nije određivanje konkretnih rješenja niti egzaktni fizikalni model, nego
poticaj na razmišljanje o kriterijima optimalnosti i ograničenjima kod vrlo
različitih problema. Praćenje poglavlja koja slijede uz tako stečenu
načelnu percepciju područja primjene optimizacije je znatno
svrsishodnije.

Primjer 1.10: U nekom pogonu proizvode se dva tipa

proizvoda, 1 i 2, čija proizvodnja zahtijeva
tokarenje, glodanje i brušenje. U tablici su dana
potrebna vremena obrade, raspoloživa vremena strojeva
i dobit po proizvodu. Potrebno je alocirati resurse
za maksimalnu dobit.
vrijeme vrijeme vrijeme dobit po

tokarenja glodanja brušenja proizvodu
(h) (h) (h) (KN)
proizvod 1 12 8 15 120
proizvod 2 6 6.5 10 90
raspoloživo 60 75 140
vrijeme
stroja
Varijable: x1 (broj kom. proizvoda 1), x2
Funkcija cilja: max {120 x1 + 90 x2}
Ograničenja: 12 x1 + 6 x2 ≤ 60
8 x1 + 6.5 x2 ≤ 75
15 x1 + 10 x2 ≤ 140
x1 ≥ 0 , x2 ≥ 0
Primjer 1.11: Neke proizvode je potrebno uz

minimalni trošak dostaviti iz n opskrbnih mjesta s
raspoloživim količinama s1, s2, ..,sn u m
prihvatnih mjesta s potrebnim količinama d1, d2, ..,
dm, pri čemu dostava iz mjesta si u mjesto dj
stvara jedinični trošak cij .
cij xij
si dj

Varijable: xij , broj komada

dostavljen iz si u dj
Funkcija cilja: min ΣΣ cij xij
Ograničenja:
m
∑x
j =1
ij = si , i = 1, n
n
∑ xij =dj , j = 1, m
i =1
xij ≥ 0
Primjer 1.12: Odrediti poprečni presjek grednog

nosača prema slici na način da naprezanje bude manje
od dopuštenog te da: (a) utrošak materijala bude
minimalan odnosno (b) utrošak rada i materijala za
površinsku zaštitu bude minimalan. Varijable mogu
biti kontinuirane, ali i diskretne (iz tablica
raspoloživih dimenzija).
Prvi korak je odabir vrste poprečnog presjeka. Za

npr. prvi presjek, varijable mogu biti širina a,
visina b, debljina stijenke t.
Funkcije cilja:
(a) minimalni utrošak materijala (poprečni
presjek)
min {2at + (b-2t)t}

(b) minimalni trošak održavanja (oplošje)

min {2a + 4t + 2(a-t) + 2(b-2t)}
Ograničenja:
- naprezanja manja od dopuštenih
- tehnološka ograničenja
- dimenzionalna ograničenja
Primjer 1.13: U nekoj proizvodnoj hali potrebno je

optimalno projektirati gredne nosače nosive platforme
(slika) koji se zavaruju na osnovnu konstrukciju
hale.
L
Varijable:
- dimenzije zavara, krakovi i
duljina
- dimenzije grednog nosača
Funkcija cilja: minimalni

- utrošak materijala
- trošak rada (zavarivanja)
- trošak pripreme i montaže
Ograničenja:
- nosivost zavarenog spoja na
smicanje uslijed sile F
- nosivost zavarenog spoja na
uvijanje uslijed momenta sile F
- nosivost grednog nosača na
savijanje
- nosivost grednog nosača na
izvijanje- izbočavanje
- dopušteni progib grede

- omjer dimenzija grede,

dopušteni rasponi dimenzija
- nenegativnost varijabli
- ograničenja dimenzija .
Primjer 1.14: Optimalno projektirati reduktor za

zadani prijenosni omjer i moment.
1 2
Varijable: broj zubi z1 , modul m, širina zuba

b, razmak ležaja l, promjer vratila
d1 , d2 , ..
Funkcija cilja: trošak izrade --> utrošak

materijala --> masa sklopa
Ograničenja:
- nosivost vratila 1
- nosivost vratila 2
- čvrstoća zuba zupčanika na savijanje
- maksimalno dopušteni progib vratila
- površinsko opterećenje zubi
- dimenzionalna ograničenja
- tehnološka izvedivost
Primjer 1.15: Optimalno dimenzionirati ljestve

potrebne visine H prema slici.
l l r1 , r2
F, M

Varijable: l, r1 , r2
Funkcija cilja: minimalna masa ljestvi
Ograničenja:
- čvrstoća na tlak
- otpornost na izvijanje
- nosivost na savijanje
- stabilnost ljestvi protiv
prevrtanja za silu koja djeluje
sa krakom k
- veza sa podlogom putem trenja .
Primjer 1.16: Optimalno dimenzionirati rešetkasti

nosač mostne konstrukcije napravljen od standardno
raspoloživih raznokračnih L-profila (diskretne
varijable), prema slici.
Varijable: dimenzije poprečnih presjeka štapova
Funkcija cilja: minimalna masa nosača
Ograničenja: - propisi (npr.otpornost na potres)

- nosivost štapova na vlak i tlak
- nosivost štapova na lokalno
izvijanje
Primjer 1.17: Optimalno dimenzionirati izolacioni

sloj rashladne komore, prema slici
d1 A

d2
Varijable: d1 , d2 , δ
Funkcija cilja: maksimalna isplativost komore,

odnosno maksimalna ukupna neto dobit kroz vijek
projekta, koja u modelu uključuje amortizaciju
investicije u rashladni sloj i tekuće
operativne troškove poslovanja uključujući
toplinske gubitke.
Ograničenja: dimenzionalna, korisni volumen,

tehnološka ograničenja.
Primjer 1.18: Optimalno projektirati izmjenjivač

topline za potrebni pad temperature i zadani protok
fluida.
t2u
v
t1u D t1i
L
t2i
Varijable: D, L, broj cijevi n, promjer cijevi d
Funkcija cilja: npr. minimalni utrošak

materijala za izmjenjivač ili min.
vanjske dimenzije izmjenjivača
Ograničenja:
- dimenzionalna

- površinska zasićenost cijevima

- izmijenjena energija u jedinici
vremena, zadana snaga
- način i brzine strujanja
- tehnološka ograničenja.
Primjer 1.19: Optimalno projektirati jednopolužni

mehanizam brisača automobilskog vjetrobranskog stakla
prema slici. Nosivi mehanizam optimirati topološki i
dimenzionalno.
Varijable: topologija- kinematička struktura i

sve dimenzije sklopa elemenata mehanizma koji
generira gibanje
Funkcija cilja: prebrisati što veći dio

površine vjetrobranskog stakla, cijena
mehanizma
Ograničenja: gibanje metlice brisača unutar

vjetrobranskog stakla, dinamika gibanja,
simetrija, složenost, cijena, ..
Primjer 1.21: Potrebno je izraditi numerički model

za optimizaciju režima rada vjetroturbine sa
zakretnim lopaticama (za promjenjive režime rada)
prema slici. Za svaki režim rada (brzina vjetra,
kutna brzina rotacije) potrebno je odrediti optimalni
regulacijski kut lopatica turbine za postizanje
maksimalnog stupnja iskoristivosti vjetrogeneratora
(optimalno upravljanje vjetrogeneratorom).

Varijable: upravljački kut zakreta loptica
Funkcija cilja: maksimalna proizvodnja energije

na godišnjoj distribuciji vjetropotencijala,
stupanj iskorištenja u svim režimima rada
Ograničenja: strujanje oko aerodinamičkog

profila prema slici, vidjeti primjer 8.5.
Primjer 1.22: Optimirati investicijski poslovni

projekt sa ciljem postizanja što većeg financijskog
povrata ulaganja kroz vijek projekta, mjereno kroz
neto sadašnju vrijednost i kroz internu stopu
rentabilnosti projekta. Varijable projekta su sve
slobodne varijable investicijskog projekta (struktura
i parametri financiranja, način amortiziranja,
upravljanje obrtnim sredstvima, upravljanje cijenama,
ulaganja u marketing, itd)
Model: vidjeti primjer 8.4.

Primjeri za vježbu
1. Označiti dopustivo područje kod nelinearnog 2D problema s jednim

ograničenjem jednakosti i dva ograničenja nejednakosti
f = const. (fi+1 < fi)
g1=0 f4 f3 f2 f1 g2=0 h1=0
g1>0 g2>0
2. Grafički odrediti minimum u primjeru 1. Načelno objasniti pojmove

dopustivih smjerova i smjerova pada vrijednosti funkcije cilja. Na
primjeru 1 ucrtati ove smjerove u tipičnim točkama.
3. Odrediti i nacrtati gradijent funkcije cilja u točki (3,2)

f(x) = (x1 - 1)2 + (x2 - 2)2
4. Postaviti u standardnom obliku zadatak optimiranja:

Potrebno je odrediti optimalne dimenzije (promjer i visinu)
spremnika električne grijalice vode ("bojlera") sadržaja 80 litara, uz
uvjet da je visina spremnika barem 20% veća od njegova promjera.
Optimalnim dimenzijama smatraju se one dimenzije koje daju
najmanje toplinske gubitke na površini spremnika (upliv razlike
konvekcije s horizontalne i vertikalne stijenke, kao i upliv izolacije
zanemariti). Spremnik modelirati valjkom.
5. Postaviti načelne modele optimizacije za primjere 1.10- 1.23

2. Postaviti modele optimizacije, primjeri za vježbu u [20]
3. Postaviti problem 1.7 sa dodatnim ograničenjem naprezanja

uslijed unutrašnjeg tlaka te debljinom stijenke kao dodatnom
varijablom.
4. Postaviti model optimizacije za spremnik pod tlakom u obliku

valjka sa polukuglama na krajevima.
5. Postaviti primjer 1.8 uz dodatno ograničenje smičnih naprezanja te

ograničenja maksimalnog progiba. Riješiti grafički.


Predavanja Blok 1

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Predavanja Blok 1

Uploaded by

Copyright:

Available Formats

MANUALIA UNIVERSITATIS STUDIORUM SPALATENSIS

UDŽBENICI SVEUČILIŠTA U SPLITU

FAKULTET ELEKTROTEHNIKE, STROJARSTVA I BRODOGRADNJE

Predsjednik povjerenstva za izdavačku djelatnost FESB-a

Objavljivanje ovog sveučilišnog udžbenika odobrio je Senat Sveučilišta u Splitu

UDK 519.852 (075.8)

1. UVOD I OSNOVNI POJMOVI

Proces inženjerskog optimiranja se posredno i neposredno oslanja na

Proces inženjerskog optimiranja podrazumijeva sustavno traženje

D. Vučina: Metode inženjerske numeričke optimizacije 3

'višak' internih stupnjeva slobode (onih o kojima može odlučiti projektant

Za razliku od klasičnih primjena numeričkih postupaka u analizi, kod

Globalizacija te posljedični porast kompetitivnosti na sve aktivnosti

U tom smislu je proces optimizacije znatno širi od skupine metoda ili

D. Vučina: Metode inženjerske numeričke optimizacije 4

Ako se inženjerske probleme podijeli na postupke analize i postupke

Može se naravno kazati da su inženjeri i u predračunalno doba tražili

Danas se postupci optimizacije primjenjuju u cijelom nizu linearnih i

U smislu računalno-podržane optimizacije ('computer-aided

D. Vučina: Metode inženjerske numeričke optimizacije 5

Prikaz klasičnog procesa optimiranja prikazan je na slici 1.1, pri čemu

- generiranje i prijedlog rješenja

ideje o mogućim inženjersko

prijedlog novog rješenja (sinteza)

analiza novog rješenja

Slika 1.1: Načelni proces optimiranja

D. Vučina: Metode inženjerske numeričke optimizacije 6

1. 2. Faze postupka inženjerske optimizacije

Kako je već rečeno, optimizacija zahtjeva određenu multidisciplinarnost

U inženjerskoj praksi proces rada je u velikoj mjeri standardan i mogu se

Proces započinje promatranjem i razmatranjem problema pri čemu se

Kod postupaka optimizacije specifično je da model problema ne

D. Vučina: Metode inženjerske numeričke optimizacije 7

pretpostavku za određivanje optimalnih rješenja. Drugi bitan element

Drugi korak je postavljanje matematičkog modela problema na temelju

Idući korak je postavljanje algoritma za rješavanje problema. Algoritam

D. Vučina: Metode inženjerske numeričke optimizacije 8

- brzina odnosno numerička učinkovitost,

Pri tome kao robusnost algoritma i stabilnost postupka rješavanja u

Idući korak je izrada programa koji implementira algoritam i rješavanje

Slijedi korak testiranja programa. Ovaj korak indirektno (integralno)

Kompletiranjem svih koraka prema prethodnom razmatranju nastaje

D. Vučina: Metode inženjerske numeričke optimizacije 9

računalu koji može rješavati probleme iz kategorije postavljenog modela.

D. Vučina: Metode inženjerske numeričke optimizacije 10

Definicija problema - specifikacija projektnog zadatka

Slika 1.2. Koraci postupka inženjerskog optimiranja

Ukupni slijed koraka te opća logika postupaka kod procesa numeričkog

D. Vučina: Metode inženjerske numeričke optimizacije 11

minimuma funkcije jedne varijable bez ograničenja. Postupak u primjeru

Primjer 1.1: Elementarni algoritam numeričkog 1-

Pseudokod metode 1D traženja po shemi (postupak tri

shema postupka: 1. počevši iz xo , kretanje sa

2. kada nije više ispunjeno

3. po potrebi sužavanje intervala:

4. zaustavljanje kod ∆x < TOL

5. unimodalni interval širine

D. Vučina: Metode inženjerske numeričke optimizacije 12

Ovdje je naravno riječ o elementarnom algoritmu samo

Ukupni proces optimizacije ne može se promatrati kao 'automatizirani

D. Vučina: Metode inženjerske numeričke optimizacije 13

Zbog lakšeg praćenja temeljnih pojmova i postavki optimizacije te

Primjer 1.2: Optimalno projektiranje ('design')