Cтраница 2
Прежде всего, отметим, что случайные блуждания оптимизируемой системы определяются ее локальным поведением. А локальное поведение описывается вероятностями правильного и ошибочного решения ( шага) Р и РОЩ - В предыдущих параграфах этой главы определены эти вероятности в зависимости от локальных свойств объекта - наклона его характеристики и уровня помех в этом состоянии для алгоритма поиска с парными пробами. [16]
Таким образом, предлагаемый алгоритм поиска стимулирует движение оптимизируемой системы в направлении оврага функции качества. Это позволяет системе преодолевать хребты по перевалам функции качества и отыскивать новые районы ее локальных низин. Дальнейший анализ этих районов для отыскания локального экстремума может производиться любым другим локальным методом поиска. Изложенный алгоритм поиска не находит глобального экстремума, а выделяет те области пространства параметров, где может находиться глобальный экстремум функции качества. [17]
Прежде всего, отметим, что случайные блуждания оптимизируемой системы определяются ее локальным поведением. А локальное поведение описывается вероятностями правильного и ошибочного решения ( шага) Р и РОЩ - В предыдущих параграфах этой главы определены эти вероятности в зависимости от локальных свойств объекта - наклона его характеристики и уровня помех в этом состоянии для алгоритма поиска с парными пробами. [18]
Таким образом, предлагаемый алгоритм поиска стимулирует движение оптимизируемой системы в направлении оврага функции качества. Это позволяет системе преодолевать хребты по перевалам функции качества и отыскивать новые районы ее локальных низин. Дальнейший анализ этих районов для отыскания локального экстремума может производиться любым другим локальным методом поиска. Изложенный алгоритм поиска не находит глобального экстремума, а выделяет те области пространства параметров, где может находиться глобальный экстремум функции качества. [19]
Контроль за процессом оптимизации можно облегчить, если полную оптимизируемую систему разбить на несколько подсистем различного уровня, которые оптимизируются в отдельности с применением методов, наиболее соответствующих их природе. [20]
На схеме выделены две основные группы: параметрически и структурно оптимизируемые системы управления. Системы управления называются структурно оптимизируемыми, если и структура, и параметры регулятора оптимально подстраиваются под структуру и параметры модели объекта. В каждой из рассмотренных двух основных групп регуляторов можно выделить несколько подгрупп: для параметрически оптимизируемых регуляторов это различные типы ПИД-регуляторов невысокого порядка. Обычно при проектировании используют правила настройки, критерии качества или задают расположение полюсов замкнутой системы. На рис. 4.3 приведены также названия наиболее важных регуляторов и указана возможность их использования для детерминированных и стохастических возмущений. [21]
Выделение области Парето-довольно сложная процедура, во многом определяемая спецификой рассматриваемой оптимизируемой системы. Однако в случае электрической сети, когда в качестве критериев ее оптимизации выступают режимные показатели, удается данную задачу существенно облегчить. В § 2.1 рассматривались некоторые регулярные свойства электрической цепи, позволившие устранить алгоритмическую избыточность ( применительно к электросетевым оптимизационным задачам) общематематических методов нелинейного программирования. Теперь же эти свойства косвенно обусловливают наличие некоторой компактной и связной области Парето по принятым выше трем критериям и позволяют легко в нее попадать. [22]
Обозначив через У множество возможных выходных показателей, а через Z - множество показателей состояния оптимизируемой системы, можно в любой момент времени заданием кортежей х, у, z полностью охарактеризовать эту систему. [23]
Главную роль в этом играют оптимальные оценки, выражающие эффективность использования ресурсов, сравнительную эффективность объектов оптимизируемой системы, как вошедших в решение задачи, так и не вошедших. [24]
С помощью матричного исчисления строятся так называемые балансовые модели, характеризующие зависимость элементов, из которых складывается оптимизируемая система. [25]
Оптимальный энергобаланс предприятия разрабатывается на основе экономико-математических моделей, содержащих детальное описание внутренних взаимосвязей между отдельными элементами оптимизируемой системы. [26]
В решении задач синтеза и оптимизации ВС имитационное моделирование широко применяется как средство оценки последовательных вариантов синтезируемых или оптимизируемых систем. В этих случаях имитационное моделирование заменяет физический эксперимент. [27]
В работах Ю. А. Кузнецова, Е. П. Дружинина, В. А. Смирнова, А. И. Гарляускаса, А. С. Фирера и других предлагаются модели производственного типа, в которых связи в оптимизируемой системе задаются в виде матрицы затраты - выпуск. Однако такие модели по сравнению с транспортными обладают значительно меньшими возможностями. [28]
Тогда в общем виде оптимизационная задача сводится к нахождению минимума или максимума выбранной целевой функции Ц ( л), где я - параметры оптимизируемой системы, с учетом ограничений при вариации структуры и характеристик системы. [29]
Идея непрерывного продолжения решения уравнения Риккати по параметру позволила эффективно находить оптимальные управления для множества достаточно близких друг к другу значений параметров, входящих в функционал и оптимизируемую систему, что можно использовать при выборе минимизируемого функционала. [30]