1. LP (Linear Programing)
1) 장 점
- 매우 넓은 범위의 문제를 다룸
- 잘 발전되고 테스트된 LP Code 를 사용, Proven Technique 임
- 적용이 용이함
- 0/1 Optimization 가능함 (Equipment Selection 등)
2) 단 점
- 난이도가 높은 비선형계 문제에서는 잘 작동하지 않음 (Steam Property 계산등)
- 최적점이 Constraints 내에 있지 않을경우는 Convergency 가 느림
- 경험적으로 만들어져야 하는 Tolerance 및 Dead Zone 이 필요함
2. GRG (Generalized Reduced Gradient)
1) 장 점
- 대부분의 비선형계 문제에서도 잘 작동함 (NLP, Proven Technique)
- 변환된 문제를 위해 잘 발전된 Unconstainted 최적화 기술에 대한 도구화
2) 단 점
- Algorithm 의 각 단계마다 Equality를 만족시키는 것이 필요함
- 매우 광범위한 문제에 대해서는 Computational Limit 를 가질수 있음
- Integer Optimization 이 불가능함
3. QP, SQP (Successive Quadratic Programming)
1) 장점
- 목적함수나 Constraint 에 대해 2 차함수가 사용됨으로서 LP 및 GRG 와 연관된 많은 문제들을 극복할 수 있음
- 50,000 Equation 이상 되는 광범위한 문제들을 다루기 위해 Sparse(분산) 행렬구조가 가능함
- GRG 에 비해 적은수의 Iteration Calculation
- Industrially Proven Technique
2) 단 점
- Integer Optimization 불가능 (SQP 외부에서 Data 처리가 필요함)
[이 게시물은 운영자님에 의해 2013-12-22 22:13:59 최적화에서 이동 됨]
