p>
}
// --------------------------------------------- ------------------------------ __fastcall TForm1 :: Button1Click (TObject * Sender)
{e = 1e-3; x0;. push_back (-3.75);. push_back (-2.0); res = Conjugate (f, agradf, x0, 1e-5, e) ; -> Text = FloatToStrF (res [0], ffFixed, 10,2); -> Text = FloatToStrF (res [1], ffFixed, 10,2);
}
// --------------------------------------------- ------------------------------ __fastcall TForm1 :: Button2Click (TObject * Sender)
{e = 1e-3; prev;. push_back (-3.75);. push_back (-2.0); -> Series1-> Clear (); last; (int NumOfIt = 1;; NumOfIt + +)
{-> LabeledEdit6-> Text = IntToStr (NumOfIt); = Conjugate (rf, agradrf, prev, 1e-5, e); (fabs (rf (prev)-rf (last))
{(g1 (last) <= 0) = 0.0; * = 9.0; (g2 (last) <= 0) = 0.0; * = 9.0; (g3 (last) <= 0) = 0.0 ; * = 9.0;
} = last;
} -> Text = FloatToStrF (last [0], ffFixed, 10,2); -> Text = FloatToStrF (last [1], ffFixed, 10,2);
}
// --------------------------------------------- ------------------------------ __fastcall TForm1 :: Button4Click (TObject * Sender)
{-> Series3-> AddXY (0.500, 1.500, "", Form1-> ColorBox1-> Selected); -> Series3-> AddXY (-4.000, -3.000, " ", Form1-> ColorBox1-> Selected); -> Series4-> AddXY (-4.000, -3.000," ", Form1-> ColorBox1-> Selected); -> Series4- > AddXY (5.000, -3.000, "", Form1-> ColorBox1-> Selected); -> Series5-> AddXY (5.000, -3.000, "", Form1-> ColorBox1- > Selected); -> Series5-> AddXY (0.502, 1.501, "", Form1-> ColorBox1-> Selected);
}
// --------------------------------------------- ------------------------------
Висновки
Виконавши в курсовій роботі два оптимізаційних методу:
1. Метод покоординатного спуску
2. Метод сполучених градієнтів
І на підставі отриманих результатів, зробимо наступні висновки:
Метод сполучених градієнтів на відміну від методу покоординатного спуску успішно застосовується не для квадратичних гладких функцій, у яких матриця Гессе мало змінюється в процесі спуску. У цьому випадку пошук мінімуму буде закінчуватися за більш ніж n кроків. Метод покоординатного спуску в свою чергу має більш низьку ефективність у зв'язку з багаторазовим повторенням ітерацій. Швидкість збіжності методу сполучених градієнтів залежить від виду самої цільової функції і від того, де на поверхні знаходиться початкова точка. Тому ефективність цього методу часто залежить від правильного підбору коефіцієнта штрафу і від частоти рестарту алгоритму методу. На відміну від методу сполучених градієнтів метод покоординатного спуску позбавлений такого недоліку і однаково ефективно працює з різними видами цільових функцій. Метод покоо...
