COMPARISON OF SOFTWARE IMPLEMENTATIONS OF THE METHOD OF UNCERTAIN LAGRANGE MULTIPLIERS AND THE METHOD OF PENALTY FUNCTIONS IN SOLVING THE PROBLEM OF DETERMINING THE EQUILIBRIUM COMPOSITION USING THE EXAMPLE OF THE C-O SYSTEM

Cover Page

Cite item

Full Text

Abstract

Background. The problem of finding the equilibrium composition of a complex multicomponent system is accomplished by determining the minimum of the reduced Gibbs energy under constraints associated with taking into account the mass balance. Materials and methods. The choice of methods for transition from a conditional optimization problem to an unconditional optimization problem is considered. The methods of undetermined Lagrange multipliers and the penalty function method with different parameters were compared. The choice of the method for transition from the unconditional optimization problem to the conditional optimization problem affected the form of the objective function of the reduced Gibbs energy. Results. When changing the objective function, it was necessary to modify the algorithm for determining the first and second derivatives in the Newton – Raphson method, which is used to solve a system of nonlinear algebraic equations. Conclusions. A comparative analysis of two software implementations of the penalty function method is carried out: with a constant penalty value and with a monotonically increasing penalty value, and the Lagrange multiplier method.

About the authors

Pavel A. Sechenov

Siberian State Industrial University

Author for correspondence.
Email: pavesa89@mail.ru

Candidate of technical sciences, associate professor, associate professor of the sub-department of applied information technologies and programming

(42 Kirov street, Novokuznetsk, Russia)

Inna A. Rybenko

Siberian State Industrial University

Email: rybenkoi@mail.ru

Doctor of technical sciences, associate professor, head of the sub-department of applied information technologies and programming

(42 Kirov street, Novokuznetsk, Russia)

References

  1. modernization. Zhurnal Sibirskogo federalʹnogo universiteta. Seriya: Tekhnika i tekhnologii = Journal of the Siberian Federal University. Series: Machinery and Technology. 2018;11(1):24–28. (In Russ). doi: 10.17516/1999-494X-0003
  2. Ganshin K.Yu., Vinokursky D.L., Mezentseva O.S., Samoilov F.V. Numerical method for solving the optimization problem of trajectory control and formation support by a group of autonomous UAVs with predictive models. Izvestiya Kabardino-Balkarskogo nauchnogo tsentra RAN = Proceedings of the Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences. 2023;(4):55–60. (In Russ). doi: 10.35330/1991- 6639-2023-4-114-55-60
  3. Petrov E.G. Petrov E.G. Methods for solving problems of complementarity and twolevel programming: PhD dissertation. Irkutsk, 2011. (In Russ)
  4. Konoplev N.E., Companeets B.S. Reduction of electricity losses on the grid section by optimizing the voltage level using the penalty function method. Vestnik Permskogo natsionalʹnogo issledovatelʹskogo politekhnicheskogo universiteta. Elektrotekhnika, informatsionnye tekhnologii, sistemy upravleniya = Bulletin of the Perm National Research Polytechnic University. Electrical engineering, information technology, control systems. 2023;(48):50–71. (In Russ). doi: 10.15593/2224-9397/2023.4.0
  5. Sechenov P.A., Rybenko I.A. Numerical method and mathematical model for finding the equilibrium composition of the thermodynamic system of the T-Energy software package. Vestnik Dagestanskogo gosudarstvennogo tekhnicheskogo universiteta. Tekhnicheskie nauki = Bulletin of Dagestan State Technical University. Technical sciences. 2022;49(4):104–112. (In Russ). doi: 10.21822/2073-6185-2022-49-4-104-112
  6. Khnaev O.A., Pchelintsev I.A. Parametric optimization of systems. Methods for solving extreme problems. Modeli, sistemy, seti v ekonomike, tekhnike, prirode i obshchestve = Models, systems, networks in economics, technology, nature and society. 2012;(2):146–152. (In Russ)
  7. Barkalov S.A., Kurochka P.N., Mailyan L.D. et al. Optimizatsionnye modeli – instrument sistemnogo modelirovaniya: monografiya = Optimization models – a system modeling tool: a monograph. Moscow: Kredo, 2023:522. (In Russ)
  8. Nechaev G.I., Ryabichev V.D., Skrennikova A.V., Kirichevsky A.R. Solving the problem of optimal loading of vehicles for various types of cargo based on the conditional optimization model. Transport Aziatsko-Tikhookeanskogo regiona = Transport of the Asia-Pacific region. 2023;(3):94–99. (In Russ)
  9. Alkezuini M.M., Gorbachenko V.I. Improvement of algorithms for learning networks of radial basis functions for solving approximation problems. Modeli, sistemy, seti v ekonomike, tekhnike, prirode i obshchestve = Models, systems, networks in economics, technology, nature and society. 2017;(3):123–138. (In Russ)
  10. Sechenov P.A., Rybenko I.A. Comparison of software implementations of SLA methods in the problem of finding the equilibrium composition of a complex multicomponent heterogeneous system. Vestnik Sibirskogo gosudarstvennogo universiteta telekommunikatsij i informatiki = Bulletin of the Siberian State University of Telecommunications and Informatics. 2024;18(3):86–98. (In Russ). doi: 10.55648/1998-6920-2024-18-3- 86-98
  11. Termodinamicheskie svojstva individualʹnykh veshchestv: elektronnyj spravochnik: v 6 t. = Thermodynamic properties of individual substances: electronic reference book: in 6 volumes. (In Russ). Available at: http://twt.mpei.ac.ru/TTHB/2/OIVT/IVTANThermo/ Rus/index.htm (accessed 05.12.2024).
  12. Bure V.M., Karelin V.V., Polyakova L.N. Exact penalty functions in the problem of choosing the optimal wholesale order in conditions of rapid fluctuations in demand. Vestnik Sankt-Peterburgskogo universiteta. Prikladnaya matematika. Informatika. Protsessy upravleniya = Bulletin of St. Petersburg University. Applied mathematics. Informatics. Management processes. 2021;17(4):397–408. (In Russ). doi: 10.21638/11701/spbu10.2021.408

Supplementary files

Supplementary Files
Action
1. JATS XML


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».