优化模型案例

简介: 优化模型案例

案例1 生产决策问题   (一个简单的线性规划问题)

某工厂在计划期内要安排I、II两种产品生产。生产单位产品所需的设备台时,A,B两种原材料的消耗,资源的限制以及单件产品利润如下表所示

问工厂应分别生产多少单位产品I和产品II,才能获利最多?

【问题分析】

  1. 这是一个生产决策问题,决策者的目标是生产利润最大
  2. 与利润有关的是产品的销售量与售价(或单位利润)
  3. 生产产品就要消耗资源(这与产量有关),而各种资源又受到数量限制。

经验:收入与销售量有关,而资源的消耗量与产品的产量有关。

【问题假设】

  1. 产品I的产量等于销售量;
  2. 产品II的产量等于销售量。

【符号设置】

  • x1   产品I的一个周期的产量  (单位:件);
  • x2   产品II的一个周期的产量 (单位:件);
  • z  工厂一个周期内的总利润   (单位:元)。

(其中,x1, x2 称为决策变量,决策者唯一能自己决定取值的变量。)

【建立模型】

工厂一个生产周期的总利润   :

生产资料约束:

资源的实际消耗 限制 资源的拥有量
设备限时 x1 +x2 <= 300
原料A限量 2x1+x2 <=         400
原料B限量 x2 <= 500

其它约束:

因为x1和x2都是产品的产量,所以,从数学意义上,有

厂家的诉求:

一个周期内利润 z 越大越好!(max  z)

以上分析,将生产过程的未知要素(产品产量)用x1, x2表示,各种客观约束都表达为x1,x2的函数不等式,厂家的诉求(利润)也是x1,x2的函数表达式,将这些数学式子写在一起,就是这个规划问题的数学模型.

数学模型

这个规划模型,如果抛开这个问题的背景,就是求在五个约束条件下,二元一次函数z=50x1+100x2的最大值,这是一个纯数学意义上的极大值问题。

虽然有些问题的数学结构很难用数学式子来表达,但习惯上我们称决策变量约束条件目标函数为规划问题的三要素。这个问题的目标和约束都是决策变量的一次表达式,称为线性规划。

案例2  路灯照亮问题(一个非线性规划问题)

如图所示,在一条s=20m宽的道路两侧,分别安装了一只2kw和一只3kw的路灯,它们离地面的高度分别为h1=5m和h2=6m。

  1. 在漆黑的夜晚,当两只路灯开启时,两只路灯连线路面上最暗的点和最亮的点在哪里?
  2. 如果3kw路灯的高度可以在3m到9m之间变化,如何求得路面上最暗和最亮的点的位置?
  3. 如果两只路灯的高度均可以在3m到9m之间变化,结果将如何?

【问题分析】  经验:(物理学背景知识)

这种问题一般人没有相应的物理知识,所以就要去查阅相关资料和文献,来找到相关说明,这一点经常遇到,是十分重要的。

光源点P1在点x处的照度(照亮强度)I1,I1与功率P1成正例,与距离r1的平方成反比,与照射角度α1的正弦成正比。即

其中,k为比例系数,同时也是平衡量纲(单位)的量。

平衡量纲是指在物理学和工程学中,描述物理量的量纲间的平衡关系。物理量的量纲是利用基本物理量(如长度、质量、时间等)的组合来表示的。平衡量纲要求在一个数学表达式中,所有参与运算的物理量具有相同的量纲。

例如,一维运动中的位移、速度和加速度分别具有长度(L)、速度(LT⁻¹)和加速度(LT⁻²)的量纲。在平衡量纲的要求下,相互直接参与运算的位移、速度和加速度必须具有相同的量纲,才能保证运算的准确性。

通过平衡量纲,可以判断一个方程是否正确,检查方程中是否存在错误的物理量单位组合,或者判断未知物理量的量纲。平衡量纲也在工程设计和实验研究中起着重要的作用,保证设计的可行性和实验的准确性。

【问题假设】

  1. p1,p2都可以看成点光源;
  2. p1,p2在x的照度可以叠加(求和);
  3. 光源只来自两盏灯。

【符号设置】

(符号设置如上图所示)

  • I :  某点处的照度(亮度);
  • I1:灯P1在该点处的照度;
  • I2:灯P2在该点处的照度;
  • s :     街道宽;
  • p1,p2:   两个光源的功率;
  • h1,h2:   两盏灯的高度;
  • r1,r2:   两盏路灯到x的距离;
  • x :     街道某点的坐标,介于0和s之间;
  • α1, α2:  光线的入射角。

【建立模型】

两只灯在点x处的照度为:

其中,

变量之间的关系

问题(1):灯高度不变,求路面照度最弱最强的位置x。

数学模型1

也可以化简为

代入已知参数,模型简化为

即求一元函数I(x)在[0,20]上的最大值与最小值。

问题(2):当3kw的灯的高度在3m到9m之间变化时,路面的最暗和最亮点。

数学模型2

即求二元函数I(x,h2)在所给矩形闭区域上的最大值与最小值。

问题(3):两只灯的高度都在3m到9m之间变化时,求路面的最暗和最亮点。

数学模型3

即求三元函数I(x,h1,h2)在所给条件下的上的最大值与最小值。

像这种目标函数或者约束条件是决策变量的非一次(非线性)的规划模型,称为非线性规划模型。


相关文章
|
自然语言处理 算法 数据挖掘
自蒸馏:一种简单高效的优化方式
背景知识蒸馏(knowledge distillation)指的是将预训练好的教师模型的知识通过蒸馏的方式迁移至学生模型,一般来说,教师模型会比学生模型网络容量更大,模型结构更复杂。对于学生而言,主要增益信息来自于更强的模型产出的带有更多可信信息的soft_label。例如下右图中,两个“2”对应的hard_label都是一样的,即0-9分类中,仅“2”类别对应概率为1.0,而soft_label
自蒸馏:一种简单高效的优化方式
|
10天前
|
机器学习/深度学习 自然语言处理 算法
通过RAG增强大模型回答原本无法回答的问题
RAG(检索增强生成)是一种结合信息检索和文本生成技术的方法,旨在提升大规模语言模型处理特定问题的能力。通过先从大量文档中检索相关信息,再利用这些信息生成更准确的答案,RAG特别适用于需要最新数据或专业知识的场景,如医疗咨询、法律建议等。此方法不仅提高了答案的质量和准确性,还增强了系统的可扩展性和适应性。随着技术进步,RAG有望在更多领域发挥重要作用。
29 2
|
15天前
|
数据采集 自然语言处理 算法
|
9天前
|
人工智能 人机交互 智能硬件
从大模型的原理到提示词优化
本文介绍了大语言模型(LLM)的基本概念及其工作原理,重点探讨了AI提示词(Prompt)的重要性和几种有效技巧,包括角色设定、One-shot/Few-shot、任务拆解和思维链。通过实例解析,展示了如何利用这些技巧提升LLM的输出质量和准确性,强调了提供高质量上下文信息对优化LLM表现的关键作用。
29 0
|
6月前
|
缓存 人工智能 数据可视化
LLM 大模型学习必知必会系列(十一):大模型自动评估理论和实战以及大模型评估框架详解
LLM 大模型学习必知必会系列(十一):大模型自动评估理论和实战以及大模型评估框架详解
LLM 大模型学习必知必会系列(十一):大模型自动评估理论和实战以及大模型评估框架详解
|
6月前
|
机器学习/深度学习 缓存 算法
LLM 大模型学习必知必会系列(十二):VLLM性能飞跃部署实践:从推理加速到高效部署的全方位优化[更多内容:XInference/FastChat等框架]
LLM 大模型学习必知必会系列(十二):VLLM性能飞跃部署实践:从推理加速到高效部署的全方位优化[更多内容:XInference/FastChat等框架]
LLM 大模型学习必知必会系列(十二):VLLM性能飞跃部署实践:从推理加速到高效部署的全方位优化[更多内容:XInference/FastChat等框架]
|
6月前
|
机器学习/深度学习 数据采集 算法
构建高效机器学习模型的策略与优化路径
【5月更文挑战第28天】 在数据驱动的时代,机器学习模型的效能已成为衡量技术创新的重要指标。本文旨在探讨如何通过策略性的方法构建高效的机器学习模型,并详细阐述优化过程的关键步骤。文章首先对当前机器学习领域面临的挑战进行分析,随后提出一系列切实可行的模型构建和优化策略,包括数据预处理的重要性、特征工程的核心地位、算法选择的多样性以及超参数调优的必要性。通过对这些策略的深入讨论,本文为读者提供了一套系统的方法论,以期达到提高模型性能和泛化能力的目的。
|
6月前
|
网络协议 网络架构
综合实验案例配置
综合实验案例配置
35 0
|
6月前
|
机器学习/深度学习 算法
大模型开发:你如何优化超参数?
超参数优化是提升机器学习和深度学习模型性能的关键,包括手动调整、网格搜索、随机搜索、贝叶斯优化、基于梯度的优化、进化算法等方法。此外,利用超参数调优工具、迁移学习、元学习和集成方法也是常用策略。实践中,应结合项目需求和资源选择合适的方法,并配合交叉验证和提前停止技术。
171 1
|
6月前
|
机器学习/深度学习 数据采集 算法
构建高效机器学习模型的策略与优化方法
在机器学习领域,构建一个既高效又准确的预测模型是每个数据科学家追求的目标。本文将探讨一系列策略和优化方法,用于提高机器学习模型的性能和效率。我们将从数据处理技巧、特征选择、算法调优以及模型评估等方面进行详细讨论。特别地,文章将重点介绍如何通过集成学习和自动化模型调优工具来提升模型的泛化能力。这些技术不仅能帮助减少过拟合的风险,还能确保模型在未知数据集上的表现更加鲁棒。