Nonlinear ပရိုဂရမ်းမင်း - သင်္ချာပရိုဂရမ်းမင်း၏အစိတ်အပိုင်းများကိုတဦး

Nonlinear ပရိုဂရမ်းမင်း၏အစိတ်အပိုင်းတစ်ခုဖြစ်သည် သင်္ချာပရိုဂရမ်းမင်း, non-linear function ကိုအချို့သောသတ်သို့မဟုတ်ကကိုယ်စားပြုထားတဲ့အတွက် ရည်မှန်းချက် function ကို။ အဆိုပါ nonlinear ပရိုဂရမ်းမင်း၏အဓိကအရာဝတ္ထု parameters တွေကိုနှင့်အခက်အခဲတစ်ခုအခြို့သောအရေအတွက်ကပေးသောရည်ရွယ်ချက် function ကို၏အကောင်းဆုံးတန်ဖိုးကိုရှာတွေ့ဖို့ဖြစ်ပါတယ်။

Non-linear programming ကိုပြဿနာမသာလည်းပြည်ပမှာအချို့န့်အသတ်ရှိပါတယ်, ဒါပေမယ့်သောဒေသ, အတွင်း linear အကြောင်းအရာအကောင်းဆုံးရလဒ်များ၏ပြဿနာများကိုထံမှကွဲပြားခြားနားပါသည်။ ပြဿနာများကိုဤအမျိုးအစားများကိုညီမျှခြင်းများနှင့်မညီမျှမှုအဖြစ်ကိုယ်စားပြုနိုင်သင်္ချာပရိုဂရမ်းမင်းအလုပ်များကိုရှိသူများဖြစ်ကြသည်။

Nonlinear Programming function ကိုအမျိုးမျိုးက F (x) အဖွဲ့, function ကိုကန့်သတ်သည်နှင့်အညီနှင့်အားနည်းချက်ကို x ရဲ့ရှုထောင်အောင်ခွဲခြားထားပါသည်။ ထို့ကြောင့် task ကို၏အမည်ကို variable တွေကို၏နံပါတ်ပေါ်တွင်မူတည်သည်။ တဦးတည်း variable ကို nonlinear programming ကိုအသုံးပြုတဲ့အခါတ-parameter သည် unconstrained optimization မှတဆင့်လုပ်ဆောင်နိုင်ပါတယ်။ variable တွေကိုများ၏အရေအတွက်ကိုသင်တစ်ဦးထက်ပိုခြွင်းချက်မရှိ Multi-parameter သည်သင့်မြတ်အောင်လုပ်ကိုင်အသုံးပွုနိုငျပါ။

စံနည်းလမ်းများသုံးပြီး Linear ပြဿနာများကိုဖြေရှင်းနိုင်ရန်အတွက် linear programming ကို (ဥပမာ, simplex နည်းလမ်း) ။ သို့သော်ဖြေရှင်းချက်၏အထွေထွေနည်းလမ်းနှင့်အတူတစ်ဦးချင်းစီတဦးချင်းအမှု၌မရွေး, nonlinear တည်ရှိကြောင့်လည်းသူ့ရဲ့ function ကိုက F (x) အဖွဲ့အပေါ်မူတည်မထားဘူး။

Nonlinear programming ကိုအတော်လေးမကြာခဏနေ့စဉ်အသက်တာ၌တွေ့ရှိနိုင်ပါသည်။ ဥပမာ, ကုန်စည်ထုတ်လုပ်သို့မဟုတ်ဝယ်ယူကုန်ကျစရိတ်အရေအတွက်တစ်ဦးအချိုးအစားမညီမျှမှုတိုးဖြစ်ပါတယ်။

တခါတရံမှာပြဿနာတွေ Linear ဖို့အကြမ်းဖျင်းလုပ်ဆောင်ဖို့ကြိုးစားနေ nonlinear programming ကိုပြဿနာတွေအတွက်အကောင်းဆုံးဖြေရှင်းချက်ဖြစ်လေသည်။ ဥပမာတစ်ခု function ကိုက F (x) ကိုလေ့လာ Linear န့်အသတ်, အ variable တွေကိုရိုသေလေးစားမှုနှင့်အတူဒုတိယဒီဂရီတစ်ခု polynomial ကကိုယ်စားပြုထားတဲ့အတွက် quadratic ပရိုဂရမ်းမင်းဖြစ်ပါသည်။ တစ်ဦးကစက္ကန့်ဥပမာပြစ်ဒဏ် function ကိုနည်းလမ်းကိုအသုံးပြုခြင်းဖြစ်ပါတယ်, အချို့ကန့်သတ်အောက်မှာအရာ၏အသုံးပြုမှုကိုထိုကဲ့သို့သောန့်အသတ်အများကြီးပိုလွယ်ဖြေရှင်းနိုင်ခြင်းမရှိဘဲ extremum အလားတူလုပ်ထုံးလုပ်နည်းများအတွက်ရှာဖွေလျော့နည်းစေသည်။

တစ်ဖွဲ့လုံးကသုံးသပ်တဲ့အခါမှာသို့သော်လည်း non-linear programming ကို task ကို၏တိုးမြှင့်ကွန်ပျူတာအခက်အခဲမှဖြေရှင်းချက်ဖြစ်ပါသည်။ အလွန်မကြာခဏကျနော်တို့ကသူတို့စဉ်အတွင်းအနီးစပ်ဆုံးဖြေရှင်းချက်ကိုအသုံးပြုဖို့ optimization နည်းစနစ်။ ပြဿနာရဲ့ဒီ type ဖြေရှင်းနိုင်ကမ်းလှမ်းနိုင်နောက်ထပ်အင်အားကြီး tool ကို - ပေးထားသောတိကျမှန်ကန်မှုကိုမှလက်ျာဘက်ဖြေရှင်းချက်ကိုရှာဖွေကိန်းဂဏန်းနည်းလမ်းများ။

အထက်တွင်ဖော်ပြခဲ့သည့်အတိုင်း non-linear programming ကိုအကောင့်သို့ယင်း၏တိကျတဲ့ယူရမယ်အရာအထူးဦးချင်းချဉ်းကပ်ပုံ, လိုအပ်သည်။

nonlinear ပရိုဂရမ်းမင်း၏အောက်ပါနည်းလမ်းများရှိပါသည်:

- အမှတ်အတွက်အလုပ်လုပ်တဲ့ gradient ကို၏ဂုဏ်သတ္တိများအပေါ်အခြေခံပြီး Gradient နည်းလမ်းများ။ တနည်းအားဖြင့်တစိတ်တပိုင်းအနကျအဓိပ်ပါယျ၏အားနည်းချက်ကိုဒီ point ရဲ့အနီးတစ်ဝိုက်ရှိလုပ်ငန်းဆောင်တာကိုတိုးမြှင့်အများဆုံးအညွှန်းကိန်း၏ညှနျကွားအဖြစ်ယူမှတ်အတွက်တွက်ချက်။

- ထို parallelepiped အဆိုပါ parallelepiped အတွက်ယူနီဖောင်းဖြန့်ဖြူးနှင့်အတူနောက်ဆက်တွဲမော်ဒယ်ကျပန်း N-အစက်အဘို့စီမံကိန်းများ၏ဗဟုအပါအဝင် n-ကြိမ်မြောက်အတိုင်းအတာ, စိတ်ပိုင်းဖြတ်ထားတဲ့အတွက် Monte Carlo နည်းလမ်း။

- နည်းလမ်း ပြောင်းလဲနေသောပရိုဂရမ်းမင်း၏ သေးငယ်တဲ့အတိုင်းအတာတစ်ခု multidimensional optimization ပြဿနာတာဝန်များကိုလျှော့ချဖြစ်ပါတယ်။

- ခုံး programming ကိုနည်းလမ်းအစုံအစီအစဉ်များ၏ခုံးအစိတ်အပိုင်းတစ်ခုပေါ်မှာခုံး function ကိုတစ်ခုသို့မဟုတ်ခွက်အများဆုံး၏နိမ့်ဆုံးအဘို့အရှာဖွေရေးအတွက်အကောင်အထည်ဖော်နေပါတယ်။ စီမံကိန်းများ၏ဗဟုတစ်ခုံး polyhedron ဖြစ်ပါတယ်ရှိရာကိစ္စတွင်ခုနှစ်, ထို့နောက်သူကလျှောက်ထားစေခြင်းငှါ simplex နည်းလမ်း။