Эффективность IOSO в условиях стохастической оптимизации
Реальные инженерные расчёты редко бывают абсолютно точными. Погрешности численного интегрирования, упрощения физических моделей, производственные допуски — всё это вносит случайный шум в результаты вычислений. Метод оптимизации, неспособный работать в условиях такого шума, даёт на практике решения худшего качества, чем обещает теория.
Именно поэтому одним из ключевых критериев оценки алгоритма IOSO является его устойчивость к стохастическим возмущениям.
Методика сравнительного анализа методов оптимизации
Объективное сравнение алгоритмов оптимизации — нетривиальная задача. Простое сопоставление финальных значений целевой функции не учитывает ни сложность задачи, ни число переменных, ни затраченные вычислительные ресурсы. Для корректного сравнения необходима единая метрика, принимающая во внимание все эти факторы одновременно.
Метрика эффективности
В наших исследованиях применяется следующая система оценки, основные тезисы которой были предложены Олегом Головиновым.
Шаг 1. Вычисление текущей ошибки:
Error = (CurrObj − BestObj) / |BestObj| + Penalty
где CurrObj — текущее значение целевой функции, BestObj — наилучшее известное решение, Penalty — штраф за нарушение ограничений.
Шаг 2. Вычисление показателя эффективности Score:
Score = (10·Nx + 5·Nineq + 10·Neq) · √[log(Error0 / Error1)] / Ncalls
где:
- Nx — число проектных переменных;
- Nineq — число ограничений-неравенств;
- Neq — число ограничений-равенств;
- Error0 — начальная ошибка;
- Error1 — финальная ошибка (нулевые значения заменяются на 1×10⁻¹⁶);
- Ncalls — число обращений к математической модели.
Показатель Score учитывает одновременно сложность задачи (через число переменных и ограничений), достигнутое улучшение (через отношение начальной и финальной ошибок) и вычислительную стоимость (через число обращений к модели). Показатели Score по всем тестовым задачам суммируются для каждого алгоритма и нормируются по наибольшей суммарной оценке.
Шаг 3. Вычисление сравнительного показателя CompScore:
CompScore = Score + K / R
где:
- K = 1 — если задача решена успешно;
- K = 0 — если алгоритм не справился с задачей (не удалось снизить Error ниже 1×10⁻²);
- R — рейтинг алгоритма по показателю Score для данной задачи.
Введение компоненты K/R принципиально важно: оно штрафует алгоритмы, которые показывают высокий Score на лёгких задачах, но систематически «отказывают» на сложных.
Роль начальной точки
Особое место в сравнительном анализе занимает выбор начальной точки поиска. Большинство классических алгоритмов оптимизации требуют задания начального приближения — и качество финального решения существенно зависит от того, насколько удачно оно выбрано.
Алгоритмы IOSO относятся к числу методов, не требующих начальной точки. На старте поиска они исходят из принципа: «Я знаю, что ничего не знаю об исследуемом объекте» — и самостоятельно исследуют пространство поиска без каких-либо предположений о расположении оптимума.
На практике начальное решение обычно известно из инженерного опыта. Однако существует целый класс реальных задач, для которых ни начальная точка, ни какая-либо предварительная информация об объекте недоступны. Именно в таких ситуациях способность IOSO работать «с чистого листа» становится критическим преимуществом перед градиентными методами.
Методология сравнительного тестирования
Для объективной оценки было проведено сравнительное тестирование на наборе тестовых функций из коллекции Эрика Сандгрена — классического эталонного набора задач условной нелинейной оптимизации, широко используемого в академической литературе. Стохастичность моделировалась путём наложения мультипликативной помехи, распределённой по нормальному закону:
Y_sto = Y_ini × (1 + N(0, s))
где s — уровень помехи, N(0, s) — нормально распределённая случайная величина с нулевым математическим ожиданием и стандартным отклонением s.
В сравнении участвовали четыре метода условной оптимизации:
| Метод | Описание |
|---|---|
| IOSO | Метод косвенной оптимизации на основе самоорганизации (версия IOSO NS 1.0) |
| MFD | Модифицированный метод допустимых направлений |
| SQP | Метод последовательного квадратичного программирования |
| SLP | Метод последовательного линейного программирования |
Почему стохастическое тестирование важно
Методы MFD, SQP и SLP относятся к классу градиентных методов оптимизации. Их общая черта — использование информации о производных целевой функции для определения направления поиска. В детерминированных задачах эти методы демонстрируют высокую скорость сходимости. Однако в условиях случайного шума градиент функции становится ненадёжным ориентиром: помеха искажает оценку производной, и алгоритм либо сходится к ложному локальному минимуму, либо вовсе теряет направление поиска.
IOSO принципиально не использует градиентную информацию. Поиск ведётся через построение и последовательное уточнение поверхностей отклика — аппроксимирующих функций, которые по своей природе сглаживают случайные возмущения и позволяют выделить истинную тенденцию поведения целевой функции на фоне шума.
Результаты
Сравнительное тестирование подтвердило устойчивое преимущество IOSO перед градиентными методами при решении стохастических задач оптимизации. По мере роста уровня помехи s эффективность методов MFD, SQP и SLP заметно снижается — алгоритмы теряют способность надёжно находить оптимум. IOSO сохраняет работоспособность и качество решения при значительно более высоких уровнях стохастических возмущений.
Это делает технологию IOSO особенно ценной в задачах, где:
- расчётная модель содержит численный шум, неизбежный при решении дифференциальных уравнений в сложных геометриях;
- результаты моделирования чувствительны к начальным условиям или параметрам сетки;
- целевая функция вычисляется с ограниченной точностью из-за упрощений физической модели;
- необходима оптимизация непосредственно в стохастической постановке с оценкой вероятностных критериев на каждой итерации.
