Случайный перебор

Cтраница 1

Случайный перебор характеризуется выбором сочетаний независимых переменных случайно по равномерному закону распределения. Для этого используют специальные программы ЭВМ. Количество рассматриваемых точек зависит от требуемой точности и вероятности определения оптимального решения. [1]

Случайные переборы грунта, допущенные при рытье котлована под фундаменты, должны быть заполнены сухим песком, гравием или щебнем слоями толщиной не более 10 ом с тщательной трамбовкой. [2]

Метод случайного перебора ( случайных испытаний или Монте-Карло) применяется на начальной стадии поиска. Число случайных испытаний и диапазон изменения переменных при этом считается фиксированым. С помощью метода Монте-Карло решаются две основные задачи: отыскание начальной точки, принадлежащей допустимой области поиска или отыскание в начальном приближении глобального оптимального решения. Уточнение этого решения достигается сужением диапазона изменения переменных вокруг найденного решения. Эту процедуру можно повторить неоднократно. Если при заданном числе испытаний не удает-ся найти ни одной точки в допустимой области, то это число постепенно увеличивается. Невозможность отыскания допустимой точки за приемлемое число испытаний указывает на очень узкий ( щелевидный) характер допустимой области, что практически встречается очень редко. В этом случае необходимо отказаться от использования метода Монте-Карло вообще и перейти к следующему методу - покоординатного поиска. [3]

Метод случайного перебора ( случайных испытаний или Монте-Карло) применяется на начальной стадии поиска. Число случайных испытаний и диапазон изменения переменных при этом считается фиксированым. С помощью метода Монте-Карло решаются две основные задачи: отыскание начальной точки, принадлежащей допустимой области поиска или отыскание в начальном приближении глобального оптимального решения. Уточнение этого решения достигается сужением диапазона изменения переменных вокруг найденного решения. Эту процедуру можно повторить неоднократно. Если при заданном числе испытаний не удается найти ни одной точки в допустимой области, то это число постепенно увеличивается. Невозможность отыскания допустимой точки за приемлемое число испытаний указывает на очень узкий ( щелевидный) характер допустимой области, что практически встречается очень редко. В этом случае необходимо отказаться от использования метода Монте-Карло вообще и перейти к следующему методу - покоординатного поиска. [4]

Сравнение методов упорядоченного и случайного перебора целесообразно провести по времени поиска ( числу N), так как точностью поиска обычно желательно задаваться заранее. [5]

Для этого организуется случайный перебор всех возможных обменов между А - м и 7 - м сегментами. [6]

В методах случайного поиска организуется случайный перебор точек множества X такой, что существует положительная вероятность выбора любого из допустимых решений. Более подробно методы случайного поиска будут изложены в главе III, посвященной методам стохастического программирования. [7]

Простейшим независимым алгоритмом слепого глобального поиска является случайный перебор, который сводится к следующему. Хг -) Q lt то новое значение показателя качества Q ( Xi) запоминается, равно как и состояние Xit которое привело к этому снижению функции качества. [8]

На первом этапе метода сужающихся окрестностей проводятся случайный перебор перестановок и вычисление соответствующих значений функций. Затем рекордная перестановка выбирается в качестве центра, и дальнейший поиск ведется в ее окрестности. В качестве критерия, определяющего необходимость уменьшения радиуса шара поиска, в методе сужающихся окрестностей используется вероятность получения лучших, чем уже имеются, значений функций. Эта вероятность определяется по набранной в ходе поиска статистике, поскольку общий вид закона распределения предполагается априори известным. Применяется и другой критерий изменения радиуса окрестности, а именно: математическое ожидание наименьшего значения случайной выборки в п реализациях. Выбор числа бросков в серии, критерии перехода от одного этапа поиска к другому, определение необходимой метрики проводятся на основании изучения стохастических свойств минимизируемой функции. [9]

Это обстоятельство требует модификации метода Монте-Карло для случайного перебора только тех точек допустимой области, которые принадлежат вершинам многомерного параллелепипеда. Адаптация метода покоординатного поиска осуществляется выбором величины шага Д / 2А, которая позволяет переходить из одной вершины параллелепипеда в другие. [10]

Пример построения решетки в. пространстве двух параметров. [11]

Это метод известен также под названием метода случайного перебора или метода Монте-Карло, а его сущность была изложена в 5.1.4. Применительно к оптимизации здесь производится просмотр изображающих точек, рассеянных в заданной области пространства параметров, также определяемой условиями (5.39), но случайным образом в соответствии с равномерным распределением вероятности. На рис. 5.19 точки 1 - 4 распределены в пространстве параметров х, хг случайным образом. [12]

Этот алгоритм привлекателен тем, что нет необходимости случайного перебора вершин графа до появления цепи между помеченными вершинами. При переборе осуществляется k операций в глубину. Если процесс заходит в тупик, то осуществляется t шагов назад. При проверке связанности графа необходимо для п удаляемых вершин однозначно определить m ребер и г граней, и исключена тупиковая итерация. Кроме того, нет необходимости в алгоритме поиска j вершины в массиве D - массив пройденных вершин. [13]

Легко заметить, что при е-юо метод вырождается в обычный случайный перебор. [14]

На первом этапе в алгоритме используется, по существу, случайный перебор. Известно, что полученные с его помощью решения сходятся по вероятности к глобальному минимуму. [15]

Страницы: 1 2 3 4