Cтраница 1
Субоптимальное решение некоторой задачи оптимизации, например, задачи коммивояжера, также может рассматриваться как решение в котором имеются дефекты - неправильные части маршрута. [1]
Когда достаточно иметь субоптимальное решение, которое бы гарантированно удовлетворяло заданной границе точности, метод ветвей и границ может быть использован для проверки качества субоптимального решения или для генерирования другого субоптимального решения, обладающего желаемой точностью. [2]
Рассматриваются методы поиска субоптимальных решений для задач, не имеющих практически реализуемых способов нахождения оптимальных решений. В числе возможных подходов рассматриваются диалоговые алгоритмы, использующие метод эвристического ветвления, метод размытых эвристик, адаптивные процедуры i о иска, а также субоптимальные алгоритмы, базирующиеся на идеях динамического программирования. [3]
Таким образом, общая идея поиска нового субоптимального решения состоит в следующем. Sk - на две части, являются хорошими. Локальная оптимизация при включении в последовательность Sk-i новой точки ih заключается в выборе такого положения ih между двумя подпоследовательностями Sk-i, при котором суммарный путь является наименьшим. [4]
Следовательно, объем вычислений для нахождения одного субоптимального решения возрастает линейно с увеличением числа грузов. Память для хранения промежуточных решений не требуется. [5]
Целью настоящей работы является описание некоторых методов поиска субоптимальных решений. [6]
Методы поиска модальных значений плотности особенно чувствительны к проблеме субоптимальных решений ( Everitt, 1980), поскольку уравнение максимального правдоподобия в общем случае может иметь несколько решений. Хотя в принципе можно сравнить оценки для различных неоптимальных решений, однако это нелегко сделать ( или вовсе невозможно) даже для небольших задач. Другой недостаток данных методов в том, что все компоненты смеси являются многомерными нормальными распределениями. [7]
Одна из главных проблем, присущая всем итеративным методам - проблема субоптимального решения. Поскольку эти методы могут выбрать лишь очень малую часть всех возможных разбиений, есть определенная вероятность, что будет выбрано субоптимальное разбиение. Такую проблему называют также проблемой локального ( в противоположность глобальному) оптимума. Действительно, объективного способа определить, является ли полученное с помощью итеративного метода группировки решение глобально оптимальным, нет. Однако один подход к решению этой проблемы состоит в том, чтобы применять метод кластеризации совместно с подходящей процедурой проверки результата на достоверность ( см. разд. [8]
Соответствуя выбранному уровню толерантности, этот способ дает, таким образом, лишь субоптимальное решение. Но зато, вместо задачи поиска Ymin он имеет дело с задачей анализа системы при заданном значении Y, что существенно упрощает алгоритм самой процедуры, тем более что она в этом варианте целиком находится в рамках пространства состояний. Более того, обладая возможностью сколь угодно точно приближать Y к Ymin это способ позволяет получить такое субоптимальное решение, которое практически совпадает с оптимальным, поэтому, если не оговорено особо, оно будет называться оптимальным. [9]
Для более трудных задач достаточно было бы и более слабого условия - нахождения субоптимальных решений, локальных минимумов целевой функции, не слишком сильно отличающихся от абсолютного минимума. Нейросетевые решения как раз и представляют собой параллельные алгоритмы, быстро находящие субоптимальные решения оптимизационных задач, минимизируя целевую функцию в процессе своего функционирования или обучения. [10]
Правило Е исключения состояний отбрасывает неперспективные состояния в смысле их нахождения на пути к субоптимальному решению или с точки зрения объема памяти ЭВМ. [11]
Теоретически обоснованное и эмпирически наблюдаемое явление компрессии ведет к преждевременной сходимости генетических программ к субоптимальным решениям. В [131 ] предлагается ввести внешнее управление этим процессом с помощью некоторого коэффициента D, пропорционального абсолютной сложности программы. [12]
Рассмотрим теперь некоторые подходы к выбору новых точек для включения в последовательность, обеспечивающие построение класса субоптимальных решений. [13]
Пользуясь методом размытых эвристик при выборе очередной кандидатуры для включения в строящийся путь можно порождать класс субоптимальных решений и последовательно приближаться к оптимальному решению. Основным достоинством такого подхода является отсутствие необходимости в дополнительной памяти для хранения промежуточных результатов. [14]
Методологии присущи и определенные недостатки совокупность субоптимальных вариантов подсистем может и не дать оптимального проекта системы в целом ( субоптимальные решения могут не сопрягаться друг с другом); не позволяет учитывать другие критерии и ограничения проектирования. [15]