Задание. Разработать генетический алгоритм для поиска максимума целевой функции согласно варианту

Разработать генетический алгоритм для поиска максимума целевой функции согласно варианту. В качестве образца использовать Пример 1. В отчёте по работе привести результат разработки ГА в виде таблицы 1.

Варианты заданий:

№ варианта	Функция приспособленности	Интервалы аргументов
	y = х12 – х23 = max	х1 = -2…2; х2 = 0…5
	y = х12 – х23 = min	х1 = -2…2; х2 = 0…5
	y = sin (х1) + х2= max	х1 = 0…4; х2 = 0…5
	y = cos (х1) + х2= min	х1 = 6…12; х2 = 0…5
	y = х12 + х23 = max	х1 = -2…2; х2 = 0…5
	y = х12 + х23 = min	х1 = -2…2; х2 = 0…5
	y = sin (х1) - х2= max	х1 = 0…4; х2 = 0…5
	y = cos (х1) - х2= min	х1 = 6…12; х2 = 0…5
	y = х12 – х23 = max	х1 = -2…2; х2 = 0…5
	y = х12 – х23 = min	х1 = -2…2; х2 = 0…5
	y = sin (х1) + х2= max	х1 = 0…4; х2 = 0…5
	y = cos (х1) + х2= min	х1 = 6…12; х2 = 0…5
	y = 2х12 – х23 = max	х1 = -2…2; х2 = 0…5
	y = 2х12 – х23 = min	х1 = -2…2; х2 = 0…5
	y = sin (2х1) + 3х2= max	х1 = 0…4; х2 = 0…5
	y = cos (2х1) + 3х2= min	х1 = 6…12; х2 = 0…5
	y = 2х12 – х23 = min	х1 = -2…2; х2 = 0…5
	y = 2х12 – х23 = max	х1 = -2…2; х2 = 0…5
	y = sin (2х1) + 3х2= min	х1 = 0…4; х2 = 0…5
	y = cos (2х1) + 3х2= max	х1 = 6…12; х2 = 0…5

 

 

Содержание отчёта:

1. Название, цель содержание работы

2. Задание, вариант задания.

3. Разработанный алгоритм ГА

4. Ответы на контрольные вопросы (письменно)

5. Выводы по работе

Практическое занятие №7

Прогнозирование бизнес-процессов с помощью регрессионного анализа

Цель работы: научиться выполнять прогнозирование экономических

параметров с помощью одномерного и многомерного

регрессионного анализа

Содержание работы:

1 Линейный регрессионный анализ.

2 Экспоненциальный регрессионный анализ.

3 Линейный многомерный регрессионный анализ

 

Линейный регрессионный анализ

Одним из методов, используемых для прогнозирования, является регрессионный анализ.

Регрессия - это статистический метод, который позволяет найти уравнение, наилучшим образом описывающее совокупность данных, заданных таблицей.

х	x1	x2	...	хi	...	хn
y	x1	y2	...	yi	...	yn

 

На графике эти данные отображаются точками. Регрессия позволяет подобрать к этим точкам кривую у=f(x), которая вычисляется по методу наименьших квадратов и даёт максимальное приближение к табличным данным.

 

 

у у •

 

•

• •

•

 

• •

• • • •

b • •

 

Х х

Рисунок 1 Линейная регрессия Рисунок 2 Нелинейная регрессия

 

По полученному уравнению можно вычислить (сделать прогноз) значение функции у для любого значения х, как внутри интервала изменения х из таблицы(интерполяция), так и вне его (экстраполяция).

Линейная регрессия

Линейная регрессия дает возможность наилучшим образом провести прямую линию через точки одномерного массива данных. Уравнение с одной независимой переменной, описывающее прямую линию, имеет вид:

y=mx+b, (1)

где:

х - независимая переменная;

у -зависимая переменная;

m – характеристика наклона прямой;

b - точка пересечения прямой с осью у.

Например, имея данные о реализации товаров за год с помощью линейной регрессии можно получить коэффициенты прямой (1) и, предполагая дальнейший линейный рост, получить прогноз реализации на следующий год.