Решение - задача - выпуклое программирование
Cтраница 1
Решение задач выпуклого программирования упрощается, если ограничения представить в виде линейных равенств или неравенств. [1]
Пусть решение задачи выпуклого программирования ( 4), ( 5) существует и достигается в точке х, не обязательно единственной. Тогда для того чтобы задача ( 4), ( 5) была эквивалентна задаче отыскания безусловного минимума функции ( 9) при а, большем некоторого а, необходимо и достаточно, чтобы смешанная система неравенств ( 10) была несовместна. [2]
Однако специального метода решения задач выпуклого программирования не существует. [3]
Существуют и другие эффективные методы решения задач выпуклого программирования. [4]
Однако установление оценок скорости сходимости конкретных методов решения задач выпуклого программирования существенно опирается на доказанную теорему. [5]
В предыдущем пункте использованы процедуры итеративных методов решения задач выпуклого программирования в функциональных пространствах для установления вида решающих правил некоторых задач стохастического программирования. [6]
Отметим, что этот метод зарекомендовал себя как достаточно эффективный для решения задач выпуклого программирования. В указанных работах читатель найдет его многочисленные обобщения и модификации, рассчитанные, в частности, на невыпуклые задачи. [7]
Метод является приближенным и в принципе применим к любой задаче математического программирования, однако практически он более эффективен при решении задач выпуклого программирования с сепарабельной целевой функцией. Этот метод основан на аппроксимации заданной функции кусочно-линейной, благодаря чему нелинейная задача приближенно сводится к линейной задаче. [8]
Существенной особенностью задач выпуклого программирования является совпадение точек локального и глобального экстремумов. Это означает, что при решении задач выпуклого программирования можно довольствоваться отысканием локального экстремума. [9]
Существенной особенностью задач выпуклого программирования является совпадение точек локального и глобального экстремумов. Это означает, что при решении задач выпуклого программирования можно довольствоваться отысканием локального экстремума. [10]
Градиентные методы могут применяться к любой задаче нелинейного программирования, приводя лишь к локальному, а не глобальному экстремуму. Поэтому они оказываются более эффективными при решении задач выпуклого программирования, где всякий локальный экстремум есть одновременно и глобальный. [11]
Программный комплекс Селектор базируется на условиях равновесия в гетерогенных многокомпонентных системах с ограничениями в виде системы линейных уравнений баланса масс и теоремы Б. И. Пшеничного, обобщающей метод Ньютона на системы неравенств. Математически расчет параметров многокомпонентных систем сводится к решению задачи выпуклого программирования, термодинамически - к нахождению минимума энергии Гиббса мультисистемы. [12]
Изучение ситуаций, связанных с риском, продвинуто несколько дальше, чем исследование неопредел. В ряде случаев анализ задач управления в ситуациях, связанных с риском, сводится к решению задач выпуклого программирования. Следующий пример характерен для задач подобного рода. [13]
Изучение ситуаций, связанных с риском, продвинуто несколько дальше, чем исследование неопредел, ситуаций. В ряде случаев анализ задач управления в ситуациях, связанных с риском, сводится к решению задач выпуклого программирования. Следующий пример характерен для задач подобного рода. [14]
 |
К примеру. [15] |
Страницы: 1 2