Cтраница 1
Решение многоэкстремальных задач можно производить и с помощью метода случайного поиска, так как случайный поиск более нечувствителен, чем детерминированные методы, к ловушкам всякого рода. Здесь также могут быть введены элементы обучения и самообучения. [1]
Для решения одноэкстремальных и многоэкстремальных задач широко применяются методы локального и нелокального поиска экстремума. К локальным методам поиска относятся градиентный, Гаусса-Зайделя, наискорейшего спуска. [2]
Для решения одноэкстремальных и многоэкстремальных задач широко применяются методы локального и нелокального поиска экстремума. К локальным методам поиска относятся градиентный, Гаусса - Зайделя, наискорейшего спуска. [3]
При решении многоэкстремальных задач и в так называемых овражных ситуациях автономная работа алгоритмов локального поиска оказывается неэффективной. Это потребовало разработки методов нелокального поиска, которые фактически состоят в определенной организации проведения некоторой последовательности поисков локальных. Так, нелокальный алгоритм решения многоэкстремальных задач состоит в выборе начальных точек в пределах заданной области и обработке результатов локальных поисков, произведенных из этих точек. В ходе работы этого алгоритма производится изучение заданной области, определяется местонахождение локальных экстремумов. Специальные алгоритмы нелокального поиска применяются также при решении овражных задач. [4]
При решении многоэкстремальных задач и в так называемых овражных ситуациях автономная работа алгоритмов локального поиска оказывается неэффективной. Это потребовало разработки методов нелокального поиска, которые фактически состоят в определенной организации проведения некоторой последовательности локальных поисков. Так, нелокальный алгоритм решения многоэкстремальных задач состоит в выборе начальных точек в пределах заданной области и обработке результатов локальных поисков, произведенных из этих точек. В ходе работы этого алгоритма производится изучение заданной области, определяется местонахождение локальных экстремумов. Специальные алгоритмы нелокального поиска применяются также при решении овражных задач. [5]
Существующие методы решения многоэкстремальных задач ( в основном приближенные) можно разделить па два класса. Первый состоит из различного рода модификаций итеративных методов решения одноак-стремальных задач. [6]
Среди нелокальных методов решения многоэкстремальных задач весьма эффективным является динамическое программирование, в основе которого лежит сформулированный Беллманом принцип оптимальности. [7]
Среди нелокальных методов решения многоэкстремальных задач весьма эффективным является динамическое программирование, в основе которого лежит сформулированный Беллма-ном принцип оптимальности. [8]
Такой комбинированный метод решения многоэкстремальной задачи может быть реализован в двух вариантах. Первая модификация предусматривает предварительный слепой поиск, в результате которого выбирается исходная точка для однократного направленного локального поиска. Вторая модификация требует многократного использования направленного поиска из разных исходных точек. [9]
Метод динамического программирования является эффективным методом решения многоэкстремальных задач высокой размерности. Идея метода заключается в замене многомерной задачи последовательностью задач более низкой размерности. [10]
Особенно часто такие методы применялись при решении многоэкстремальных задач оптимизации, задач классификации и прогнозирования. [11]
Идея сглаживания [132, 102], примененная в § 3.6 к решению многоэкстремальных задач, может быть использована и для сглаживания случайных помех. [12]
Иногда модифицированные методы локального поиска могут быть применены и для решения многоэкстремальных задач. Это относится к тем случаям, когда глобальный экстремум значительно глубже локальных экстремумов. К числу таких методов относится, например, метод тяжелого шарика, разные варианты которого позволяют определить вектор очередной точки по векторам текущей и предшествующей точек, а также градиентам целевой функции в этих точках. [13]
Ал ей и и ков, Мовшович С. Г., Некоторые алгоритмы решения многоэкстремальных задач размещения и их экспериментальное исследование. [14]
В том случае, когда определение оценок координат экстремума сводится к решению многоэкстремальной задачи, применяют другие вычислительные процедуры. Например, используется метод случайного поиска с направляющим конусом. При этом оптимальный режим работы установки каталитического крекинга как правило, достигается на границе, определяемой режимом работы регенератора. [15]