Оптимизация режимов движения судов с использованием MATLAB 5.0
Использование операторов polyfit и polyval для аппроксимации кривой
Цель работы.
Получение полинома, описывающего аппроксимированную кривую наиболее близкую к исходной, которая построена по точкам.
Исходные данные.
| x | 0 | 400 | 800 | 1200 | 1600 | 2000 | 2400 | 2800 | 3200 |
| f(x) | 0 | 80 | 100 | 110 | 120 | 180 | 210 | 230 | 260 |
Программа.
%Исходные данные
x=[0 400 800 1200 1600 2000 2400 2800 3200];
f=[0 80 100 110 120 180 210 230 260];
%a - коэффициенты полинома
%S - квадратичная погрешность
[a,S]=polyfit(x,f,3)
z=polyval(a,x)
%Построение графиков
plot(x,f,x,z),grid
Результат.
a =
0.0000 -0.0000 0.1223 13.5354

S =
R: [4x4 double]
df: 5
normr: 43.1607
z =
Columns 1 through 7
13.5354 57.1717 91.9986 120.6926 145.9307 170.3896 196.7460
Columns 8 through 9
227.6768 265.8586
Командой plot произвели построение исходной функции (синий цвет) и функции аппроксимирующей её (зелёный цвет). Поскольку велико значение погрешности normr=43.1607 и недостаточно аппроксимирование, то следует повысить степень полинома. Пусть вместо 3 будет 6.
Программа.
%Исходные данные
x=[0 400 800 1200 1600 2000 2400 2800 3200];
f=[0 80 100 110 120 180 210 230 260];
%a - коэффициенты полинома
%S - квадратичная погрешность
[a,S]=polyfit(x,f,6)
z=polyval(a,x)
%Построение графиков
plot(x,f,x,z),grid
Результат.
a =
0.0000 -0.0000 0.0000 -0.0000 -0.0002 0.2770 0.0140

S =
R: [7x7 double]
df: 2
normr: 12.4672
z =
Columns 1 through 7
0.0140 79.7016 101.6970 105.3007 127.5058 172.6900 214.3077
Columns 8 through 9
228.5828 260.2005
Вывод.
В результате работы видно, что при увеличении степени полинома уменьшается погрешность и аппроксимированная кривая наиболее близка к исходной. В случае когда степень полинома равна количеству исходных точек, получаем: normr=0 и полное соответствие кривых в исходных точках.
Оптимальное распределение двух ресурсов
Цель работы.
Получение максимального значения прибыли при перевозке двух различных грузов.
Исходные данные.
| x | 0 | 400 | 800 | 1200 | 1600 | 2000 | 2400 | 2800 | 3200 |
|
f1(x) |
0 | 80 | 100 | 110 | 120 | 180 | 210 | 230 | 260 |
|
f2(x) |
0 | 60 | 90 | 110 | 130 | 150 | 190 | 230 | 250 |
f1(x) доход от перевозки груза первого рода;
f2(x) доход от перевозки груза второго рода;
x количество груза.
Программа.
%Исходные данные
x=[0 400 800 1200 1600 2000 2400 2800 3200];
f1=[0 80 100 110 120 180 210 230 260];
f2=[0 60 90 110 130 150 190 230 250];
plot(x,f1,x,f2),grid
%Решение
F12=[];
for xR=1:9;
I=1:xR;
L12=f1(I)+f2(xR-I+1);
[Lopt,I]=max(L12);
x1=I*400-400;
x2=(xR-I)*400;
Pacn=[Lopt;x1;x2;x1+x2];
F12=[F12 Pacn];
end
F12
pause
plot(x,F12(1,:)),grid
Результат.
F12 =
Columns 1 through 6
0 80 140 170 190 210
0 400 400 400 400 400
0 0 400 800 1200 1600
0 400 800 1200 1600 2000

Columns 7 through 9
240 270 310
2000 400 400
400 2400 2800
2400 2800 3200
В
результате
получаем матрицу,
в которой:
1 строка суммарный доход от перевозки;
2 строка количество первого груза;
3 строка количество второго груза;
4 строка суммарное количество грузов.
Вывод.
Таким образом получена оптимальная зависимость распределения груза с наибольшим доходом от перевозки. Для наглядности по полученным значениям построен график.
Оптимальное распределение шести ресурсов
Цель работы.
Получение максимального значения прибыли при перевозке шести различных грузов.
Исходные данные.
| x | 0 | 400 | 800 | 1200 | 1600 | 2000 | 2400 | 2800 | 3200 |
|
f1(x) |
0 | 80 | 100 | 110 | 120 | 180 | 210 | 230 | 260 |
|
f2(x) |
0 | 60 | 90 | 110 | 130 | 150 | 190 | 230 | 250 |
|
f3(x) |
0 | 30 | 40 | 70 | 110 | 180 | 200 | 240 | 250 |
|
f4(x) |
0 | 40 | 60 | 80 | 130 | 160 | 180 | 210 | 240 |
|
f5(x) |
0 | 50 | 70 | 90 | 110 | 150 | 170 | 200 | 220 |
|
f6(x) |
0 | 70 | 80 | 110 | 140 | 160 | 200 | 250 | 270 |
f1(x) доход от перевозки груза первого рода;
f2(x) доход от перевозки груза второго рода;
f3(x) доход от перевозки груза третьего рода;
f4(x) доход от перевозки груза четвёртого рода;
f5(x) доход от перевозки груза пятого рода;
f6(x) доход от перевозки груза шестого рода;
x количество груза.
Программа.
%Исходные данные
x=[0 400 800 1200 1600 2000 2400 2800 3200];
f1=[0 80 100 110 120 180 210 230 260];
f2=[0 60 90 110 130 150 190 230 250];
f3=[0 30 40 70 110 180 200 240 250];
f4=[0 40 60 80 130 160 180 210 240];
f5=[0 50 70 90 110 150 170 200 220];
f6=[0 70 80 110 140 160 200 250 270];
F=[f1;f2;f3;f4;f5;f6];
plot(x,F),grid
%Решение
FF=[];
J=1;
for XR=1:9;
I=1:XR;
L=F(J,I)+F(J+1,XR-I+1);
[Lopt,I]=max(L);
x1=I*400-400;
x2=(XR-I)*400;
Pacn=[Lopt;x1;x2;x1+x2];
FF=[FF Pacn];
end
D=FF(1,:);
PP=[];
RRR=[];
for J=2:5;
DD=[];
RR=[];
for XR=1:9;
I=1:XR;
L=D(I)+F(J+1,XR-I+1);
[Lopt,I]=max(L);
x1=I*400-400;
x2=(XR-I)*400;
Pacn=[Lopt;x1;x2;x1+x2];
DD=[DD Pacn(1,:)];
RR=[RR Pacn];
end
PP=[PP;DD(1,:)];
RRR=[RRR RR];
D=DD;
end
RRR=[FF RRR]
pause
plot(x,RRR(1,37:45)),grid
Результат.
RRR =
Columns 1 through 6
0 80 140 170 190 210
0 400 400 400 400 400
0 0 400 800 1200 1600
0 400 800 1200 1600 2000
Columns 7 through 12
240 270 310 0 80 140
2000 400 400 0 400 800
400 2400 2800 0 0 0
2400 2800 3200 0 400 800
Columns 13 through 18
170 200 220 260 320 350
800 1200 1600 400 800 1200
400 400 400 2000 2000 2000
1200 1600 2000 2400 2800 3200
Columns 19 through 24
0 80 140 180 210 240
0 400 800 800 1200 1600
0 0 0 400 400 400
0 400 800 1200 1600 2000
Columns 25 through 30
270 320 360 0 80 140
800 2800 2800 0 400 800
1600 0 400 0 0 0
2400 2800 3200 0 400 800
Columns 31 through 36
190 230 260 290 320 370
800 1200 1600 2000 2400 2800
400 400 400 400 400 400
1200 1600 2000 2400 2800