Применение - градиентный метод
Cтраница 2
Отсюда видно, что эта задача является частным случаем задачи идентификации непрерывного объекта, которая была решена путем применения градиентного метода первого порядка. Полезно проследить алгоритм решения. [16]
ПР - количество соответственных эффективных, неэффективных ГРП и количество признаков; а - веса К - х признаков определяются расчетом с применением градиентного метода и минимизацией среднеквадратичных отклонений суммарной разности потенциальных функций. [17]
С увеличением числа подбираемых таким образом параметров время, затрачиваемое на определение констант, резко возрастает. Применение градиентных методов для многих переменных может в сотни и тысячи раз сократить число просматриваемых вариантов по сравнению с методом случайного поиска. [18]
Если при остановке процесса подобного совпадения нет, то полученное решение может считаться лишь приближенно оптимальным. Применение градиентного метода для простой системы рассмотрено в [ 6.3 J. [19]
Динамические параметры манипулятора, окружающая среда и тип выполняемой операции выступают здесь в роли ограничений, которые должны быть соблюдены при минимизации. Применение градиентных методов минимизации ( метода допустимых направлений) позволяет использовать минимизирующую последовательность аргументов как сигналы для управления движением манипулятора. В работе приведен список операций для которых удалось построить функционал, точная нижняя грань которого является целью выполнения операции. [20]
Из второй группы методов применительно к определенным задачам используются: градиентный, наискорейшего спуска, покоординатного спуска, релаксационный, динамического программирования, метод ветвей и границ. Рассмотрим кратко применение градиентного метода для оптимального распределения элек - - трической нагрузки. При использовании других методов алгоритм изменяется главным образом в отношении условий и способов выбора направления, а также величин шага итерации. [21]
Это затрудняет применение обычных градиентных методов. [22]
 |
Градиентный метод отыскания экстремума. [23] |
Соотношения ( 10 - 5) - ( 10 - 9), полученные выше для определения экстремума функции двух переменных, распространяются с соответствующими изменениями на определение экстремума функции любого большего числа переменных. Во всех случаях применения градиентного метода Коши оптимизируемая функция должна быть дифференцируемой и выпуклой. При отсутствии выпуклости локальный экстремум может быть ошибочно принят за глобальный. Чтобы избежать ошибки, необходимо решать задачу несколько раз, начиная с различных точек функции. [24]
Эта функция чрезмерно упрощена и не позволяет моделировать схемы с непрерывными сигналами. Отсутствие первой производной затрудняет применение градиентных методов для обучения таких нейронов. [25]
В заключение этого параграфа отметим, что градиентный метод хорош лишь при наличии необходимой информации об экстремальной характеристике объекта, а точнее о показателе q параболы. Если же такой информации нет, то применение градиентного метода, как показано выше, может привести даже к неустойчивости процесса поиска. При отсутствии указанной информации следует применять более осторожные алгоритмы поиска, рассмотренные в предыдущей главе. [26]
Ниже приводится пример 4.1, в котором установившийся режим рассчитывается градиентным методом. Этот пример полезно изучить для понимания сущности градиентного метода, прежде чем рассматривать применение градиентного метода для задач оптимизации режима. [27]
В этой главе представлено эвристическое введение в теорию стохастической аппроксимации. Результаты применения алгоритмов стохастической аппроксимации на конечном интервале времени оказались довольно близки к рассмотренным ранее результатам применения градиентных методов. Рекуррентные алгоритмы стохастической аппроксимации ( в реальном масштабе времени) весьма напоминают результаты, полученные в теории линейной фильтрации в случае линейных систем, и, как мы увидим в главе 7, последовательные алгоритмы решения двухточечной краевой задачи по методу инвариантного погружения. [28]
Нужно отметить еще одно очевидное свойство градиента целевой функции. Вектор градиента по направлению совпадает с направлением наискорейшего возрастания целевой функции. Именно это свойство и обусловило применение градиентных методов при решении задач нелинейного программирования. [29]
 |
Методы наискорейшего спуска ( а и покоординатного спуска ( б. [30] |
Страницы: 1 2 3