Процесс - поиск - оптимум
Cтраница 1
Процесс поиска оптимума заканчивается, когда 2 е, где е - произвольное малое положительное число. [1]
В свою очередь, приведенное доказательство обосновывает разбиение процесса поиска оптимума на этапы, при котором проводится последовательное сужение области поиска, а затем - просмотр этой области. [2]
 |
Графическая интерпретация поиска оптимума симплекс-методом.| Графическая интерпретация поиска оптимума методом крутого восхождения. [3] |
Основной особенностью метода симплексов является объединение процесса изучения исследуемого объекта и процесса поиска оптимума, что достигается применением специально построенного плана эксперимента в виде симплекса. Эксперименты ставятся в точках исследуемого пространства, которые соответствуют координатам вершин симплекса. [4]
Задача ( 4.8. 11) имеет п т переменных, что при больших п затрудняет процесс поиска оптимума. Делается это следующим образом. [5]
Наличие коэффициента р ( массы тяжелого шарика) в уравнении ( IX, 73) обеспечивает определенную инерционность процессу поиска оптимума, которая проявляется в том, что при применении этого алгоритма появляется возможность проскакивать небольшие локальные минимумы целевой функции. Задаваясь различными значениями параметров р и v, можно так отрегулировать процесс поиска, что в результате его находится глобальный минимум целевой функции. [6]
Как видно из ( 17), время выхода на асимптотику ( 16) не зависит от размера барьеров, разделяющих минимумы функции U ( x), а следовательно, высота подобных барьеров не будет отражаться и на длительности процесса поиска оптимума. Напомним, что в методе имитации отжига длительность поиска растет с увеличением высоты потенциальных барьеров. [7]
По результатам двух экспериментов устанавливают, какую область неопределенности оставить для дальнейших исследований. Процесс поиска оптимума можно продолжать сколь угодно долго. [8]
Как уже говорит само название метода, в нем используется градиент целевой функции. В отличие от рассмотренного выше метода релаксации в методе градиента шаги совершаются на направлении наибыстрейшего уменьшения целевой функции, что, естественно, ускоряет процесс поиска оптимума. [9]
Как уже говорит само название метода, в нем используется градиент целевой функции. В отличие от рассмотренного выше метода релаксации в методе градиента шаги совершаются в направлении наибыстрейшего уменьшения целевой функции, что, естественно, ускоряет процесс поиска оптимума. [10]
Хотя метод золотого сечения и обладает высокой эффективностью, ясно, что он не является оптимальным при заданном числе вычислений целевой функции. Если конструктору заранее известно, что он сможет использовать лишь два значения целевой функции, то он, конечно, предпочтет метод дихотомии, который позволяет уменьшить интервал неопределенности сразу вдвое, а не в 1 / 0 618 раза, как метод золотого сечения. Если есть возможность в процессе поиска оптимума изменять расположение точек, в которых вычисляются значения целевой функции, то можно соединить преимущества симметричного расположения точек, о которых говорилось выше, с преимуществами метода дихотомии и построить оптимальный алгоритм поиска. [11]
Третий тип включает варианты, не имеющие взаимоисключающего характера и не расположенные в хронологической последовательности. В них могут содержаться повторяющиеся или взаимодополняющие элементы, а различие может не иметь принципиальной основы. Это не означает, однако, что окончательно принятое решение может включать не один, а два или несколько вариантов. Процесс поиска оптимума, сам выбор вариантов не теряет своего значения. [12]
Следует заметить, что пока работы по интегральному методу носят только методологический характер. По-видимому, решение практических задач интегральным методом будет наталкиваться на значительные трудности, связанные главным образом с большим объемом вычислений. Резкое возрастание объема вычислений по сравнению с другими методами обусловлено искусственным характером замены дискретной задачи синтеза непрерывной. Следует иметь в виду, что каждой возможной реальной схеме разделения будет, по-видимому, соответствовать локальный оптимум параметров оптимизации. Это является большим недостатком метода, чрезвычайно затрудняющим отыскание глобального оптимума. Кроме того, в процессе поиска оптимума неизбежно будет производиться большое число заведомо излишних расчетов для схем с числом ректификационных колонн, значительно превышающим необходимое. [13]
Страницы: 1