અરૈખિક પ્રોગ્રામિંગ - ગાણિતિક પ્રોગ્રામિંગ ઘટકો એક

અરૈખિક પ્રોગ્રામિંગ ભાગ છે ગાણિતિક પ્રોગ્રામિંગ, જેમાં બિન-રેખીય કાર્ય ચોક્કસ નિગ્રહ અથવા દ્વારા રજૂ કરવામાં આવે છે ઉદ્દેશ કાર્ય. અરૈખિક પ્રોગ્રામિંગ મુખ્ય પદાર્થ પરિમાણો અને અવરોધ એક નિશ્ચિત સંખ્યા આપવામાં ઉદ્દેશ કાર્ય શ્રેષ્ઠત્તમ મૂલ્ય શોધવા માટે છે.

નોન-લીનીયર પ્રોગ્રામિંગ સમસ્યા રેખીય સામગ્રી શ્રેષ્ઠ પરિણામો માત્ર પ્રદેશ છે, કે જે અમુક મર્યાદાઓ છે અંદર સમસ્યાઓ અલગ હોય છે, પણ વિદેશમાં. સમસ્યાઓ આ પ્રકારના સમીકરણો અને અસમાનતા તરીકે રજૂ કરી શકાય ગાણિતિક પ્રોગ્રામિંગ કાર્યો થાય છે.

અરૈખિક પ્રોગ્રામિંગ કાર્ય વિવિધ ફે (x) કાર્યક્ષેત્રને કાર્ય પ્રતિબંધોને અને વેક્ટર એક્સ પરિમાણ બનાવવા મુજબ સામાન્ય રીતે વર્ગીકૃત કરવામાં આવે છે. આમ, કાર્ય નામ વેરિયેબલ્સ સંખ્યા પર આધાર રાખે છે. એક ચલ અરૈખિક પ્રોગ્રામિંગ ઉપયોગ કરતી વખતે એક પરિમાણ અનંત ઓપ્ટિમાઇઝેશન મારફતે કરી શકાય છે. ચલો સંખ્યા તમે એક કરતાં વધુ બિનશરતી મલ્ટી પરિમાણ ઓપ્ટિમાઇઝેશન ઉપયોગ કરી શકો છો.

પ્રમાણભૂત પદ્ધતિઓનો ઉપયોગ linearity સમસ્યાઓ ઉકેલવા માટે રેખીય પ્રોગ્રામિંગ (દા.ત., સિમ્પ્લેક્સ પદ્ધતિ). પરંતુ ઉકેલ સામાન્ય પદ્ધતિ સાથે અરૈખિક, દરેક વ્યક્તિગત કિસ્સામાં પસંદગી અસ્તિત્વ ધરાવતું નથી અને તે પણ છે તેના કાર્ય એફ પર આધાર રાખે છે (x).

અરૈખિક પ્રોગ્રામિંગ ઘણી વાર રોજિંદા જીવનમાં જોવા મળે છે. ઉદાહરણ તરીકે, તે ખર્ચ જથ્થો ઉત્પાદન અથવા ખરીદવામાં આવેલી માલસામાન અને અપ્રમાણસર વધારો છે.

ક્યારેક રેખીય સમસ્યાઓ એક અંદાજ કરવા માટે પ્રયાસ કરી રહ્યા અરૈખિક પ્રોગ્રામિંગ સમસ્યાઓ શ્રેષ્ઠ ઉકેલો શોધવા. એક ઉદાહરણ વર્ગના પ્રોગ્રામિંગ, જેમાં કાર્ય એફ (x) વેરિયેબલ્સ, અવલોકન linearity મર્યાદાઓને આદર સાથે બીજા ડિગ્રી બહુપદી દ્વારા રજૂ કરવામાં આવે છે. બીજી ઉદાહરણ દંડ કાર્ય પદ્ધતિ ઉપયોગ છે, અમુક પ્રતિબંધો હેઠળ જે ઉપયોગ ખૂબ સરળ ઉકેલી આવા મર્યાદાઓ વગર extremum સમાન પ્રક્રિયા માટે શોધ ઘટાડે છે.

જો કે, જ્યારે સમગ્ર વિશ્લેષણ કર્યું, બિન-રેખીય પ્રોગ્રામિંગ ઉકેલ કાર્ય ગણતરીની મુશ્કેલીને વધારો છે. ઘણી વાર અમે તેમની દરમિયાન આશરે ઉપાયોનો ઉપયોગ ઓપ્ટિમાઇઝેશન તકનીકો. અન્ય શક્તિશાળી સાધન છે કે જે સમસ્યા આ પ્રકારના ઉકેલવા માટે ઓફર કરી શકાય છે - સંખ્યાત્મક પદ્ધતિઓ આપેલ ચોકસાઈ અધિકાર ઉકેલ શોધવા માટે.

ઉપર દર્શાવ્યા મુજબ, બિન-રેખીય પ્રોગ્રામિંગ ખાસ વ્યક્તિગત અભિગમ અપનાવ્યો, જે ખાતામાં તેના ચોક્કસતા લેવા આવશ્યક જરૂરી છે.

ત્યાં અરૈખિક પ્રોગ્રામિંગ નીચેની પદ્ધતિઓ છે:

- ઢાળ પદ્ધતિઓ, બિંદુ કાર્યાત્મક ઢોળાવ ગુણધર્મો પર આધારિત છે. બીજા શબ્દોમાં કહીએ તો, આંશિક ડેરિવેટિવ્ઝ ના વેક્ટર ચિહ્ન આ બિંદુ ની નજીકમાં કાર્યો વધી મહત્તમ ઇન્ડેક્સ દિશા તરીકે લેવામાં ગણતરી.

- મોન્ટે કાર્લો પદ્ધતિ છે, જેમાં પેરેલલપાઇપ્ડ એન મી પરિમાણ નક્કી કર્યું હતું પેરેલલપાઇપ્ડ માં ગણવેશ વિતરણ સાથે અનુગામી મોડેલિંગ રેન્ડમ એન-બિંદુઓ યોજના બહુમતી સમાવેશ થાય છે.

- પદ્ધતિ ગતિશીલ પ્રોગ્રામિંગ એક નાની પરિમાણ માટે બહુપરીમાણીય ઓપ્ટિમાઇઝેશન કાર્યો સમસ્યા થઇ શકે છે.

- બહિર્મુખ પ્રોગ્રામિંગ પદ્ધતિ બહિર્મુખ કાર્ય લઘુત્તમ અથવા સેટ યોજનાઓ બહિર્મુખ ભાગ પર અંતર્મુખ મહત્તમ માટે શોધ અમલમાં આવે છે. કેસ જ્યાં યોજનાઓ બહુમતી બહિર્મુખ બહુફલક છે, પછી તે લાગુ પડી શકે છે સિમ્પ્લેક્સ પદ્ધતિ.