Решение - система - линейные неравенство
Cтраница 2
Задачи линейного программирования сводятся, как это видно из приведенного примера, к решению систем линейных неравенств и уравнений. Но если такие системы приходится решаг ь часто и помногу - лучше работу механизировать, применять вычислительные машины. [16]
Задачи линейного программирования сводятся, как это видно из приведенного примера, к решению систем линейных неравенств и уравнений. [17]
При любом s С х нахождение многогранника i ( s) состоит в решении системы линейных неравенств, т.е. в выполнении конечного числа рациональных ( арифметических) операций над элементами матрицы А. [18]
Методы персептрона, релаксаций и Хо - Кашьяпа являются по существу методами градиентного спуска, приспособленными для решения систем линейных неравенств. Техника линейного программирования сводится к процедурам максимизации или минимизации линейных функций, удовлетворяющих линейному уравнению и наложенным на них ограничениям в виде линейных нера-венст. В этом разделе будут рассмотрены два возможных подхода к решению таких задач. [19]
Стандартные процедуры, используемые для получения переключающих функций, в основном те же, что применяются для решения системы линейных неравенств. Однако некоторые из данных процедур, являющиеся алгебраическими, неприменимы в задачах распознавания образов. [20]
Все известные в настоящее время общие методы вычисления хроматического числа графа, определения существования га-мильтонова цикла в графе или решения системы линейных неравенств, в, которых переменные принимают значения 0 или 1, требуют вычислений, длительность которых растет в худшем случае экспоненциально по отношению к длине слова. В настоящей статье мы докажем ряд теорем, которые дают повод ( хотя прямо из них это не следует) считать, что эти проблемы, а также многие другие будут всегда оставаться трудными для решения. [21]
Пионером в области создания итерационных процедур решения системы линейных неравенств был Розенблат [153], предложивший схему трехслойного перцептрона, математическая модель настройки которого представляет процедуру поиска решения системы неравенств. [22]
Логический анализ темы Неравенства дает основание сделать вывод, что тема организована дедуктивно-индуктивно, так как дано определение понятий больше, меньше; свойства числовых неравенств сформулированы в виде теорем, которые доказаны; сформулированные теоремы равносильности ( названные свойствами) не доказываются. Алгоритмы доказательства безусловных неравенств, решения линейных неравенств с одной переменной и решения систем линейных неравенств введены индуктивно на конкретных примерах, анализ решения которых и позволяет учителю, сделав обобщение, сформулировать алгоритмы. Теоремы о свойствах неравенств имеют одну и ту же структуру: А / В С, а это позволяет осуществить перенос знаний, так как с теоремами такой структуры учащиеся работали уже в предыдущем классе. [23]
Существенно иной подход к кооперативным играм был предложен Ауманом и Машлером в заметке [1], которая положила начало новому направлению в теории кооперативных игр. Множество получающихся при этом устойчивых исходов называется договорным множеством игры и может быть найдено в результате решения систем линейных неравенств. [24]
Была доказана теорема 1.4, восходящая к Гильберту, о возможности представления выпуклой оболочки целых точек полиэдра с помощью решений системы линейных неравенств с рациональными коэффициентами в виде пересечения конечного семейства замкнутых полупространств. В данной главе указываются методы построения таких полупространств для классов многогранников связанных с перестановочными матрицами. Наряду с классическим перестановочным многогранником, введенным Радо [36], и многогранником бистохастических матриц, изученным Биркгофом [19], исследуются новые классы перестановочных многогранников: многогранник задачи о коммивояжере, многогранник задачи стандартизации, многогранник размещений. [25]
Это пересечение образует какое-то многогранное тело. В силу выполнения неравенств ( точки по одну сторону от каждой плоскости) это тело обязательно выпукло. В итоге делаем вывод: областью решений системы линейных неравенств с тремя переменными является выпуклый многогранник IB пространстве, ограниченный соответствующими плоскостями. Некоторая часть каждой такой плоскости образует грань, пересечение двух граней дает ребро, а трех - вершину многогранника. [26]
 |
Сложность алгоритмов построения паросочетании. [27] |
Сейчас мы представим выполняемый за полиномиальное время алгоритм для нахождения паросочетания максимального веса. Поскольку хорошая характеризация была получена из теоремы двойственности, мы вправе ожидать, что этот алгоритм можно построить, применяя алгоритм линейного программирования к политопу паре-сочетании. Однако ситуация не столь проста, ибо описание политопа паросочетании как множества решений системы линейных неравенств включает экспоненциально много ограничений. [28]
При практических применениях непараметрического обучения обычно используют семейство линейных решающих функций, т.е. семейство гиперповерхностей разделяющих, либо сводящих нелинейные правила к линейным путем отображения в так называемое спрямляющее пространство. Подобное отображение применяется, ft частности, в персептроне, при вычислении оценок и в потенциальных функций методе. Задача отыскания гиперплоскости, разделяющей выборку указанным образом, в свою очередь сводится к решению системы линейных неравенств. [29]
Способ отыскания нужных весов а-элементов с помощью тренировочной: последовательности называется алгоритмом обучения опознающей системы. Неразумность требования о запоминании всей тренировочной последовательности опознающей системой приводит к естественному понятию рекуррентного алгоритма обучения [2], при котором изменение весов а-элементов производится лишь на основании информации об ооразе, предъявленном системе в данный момент. С математической точки зрения задача об отыскании нужных весов а-элементов сводится обычно к задаче об отыскании решения системы линейных неравенств. Существует большое число рекуррентных алгоритмов, решающих последнюю задачу. При моделировании конкретной опознающей системы сразу возникает множество вопросов, на которые едва ли можно ответить заранее. Какие и сколько нужно выбрать а-элементов, чтобы опознающая система в принципе могла обучиться. Если последнее условие не соблюсти, то задача об обучении может вообще потерять смысл. Сколько времени требуется на обучение. Этот вопрос зависит как от качества выбранных а-элементов, так и от используемого алгоритма обучения. Может оказаться, что обучение невозможно произвести за разумное время. Наконец, рекуррентные алгоритмы связаны с выбором начальных весов а-элементов. Как зависит время и результат обучения от этого выбора. Естественно, эти вопросы далеко не равнозначны и ответ на них зависит от многих трудноучитываемых факторов. [30]
Страницы: 1 2 3