Cтраница 3
При высокой степени централизации выработки управленческих решений возрастает сложность моделей, снижается их адекватность реальным ситуациям, возрастает степень неопределенности управленческих задач, снижается эффективность принимаемых решений. Высокая степень децентрализации может привести к потере системных связей между уровнями управления, к нарушению принципа реализации последовательности целей для достижения главной цели. [31]
Если система подстраивается к фактическому поведению пользователя, сложность модели можно уменьшить, например утаивая информацию о сложных функциях или методах, воспользоваться которыми пользователь в его состоянии в данный момент не смог бы. [32]
Это следует из известного принципа моделирования, согласно которому сложность применяемой модели должна соответствовать точности имеющейся исходной информации. Использование слишком сложных моделей при отсутствии необходимых исходных данных приводит к неоправданному увеличению трудности решения и объема вычислений без повышения точности прогноза. [33]
В работе [6] показано, что при постепенном повышении сложности модели указанный критерий проходит через минимальное значение. ЭВМ находит глобальный минимум критерия и тем самым указывает единственную модель оптимальной сложности при весьма малом объеме априорной информации. Выбор критерия селекции осуществляется человеком в зависимости от целей и условий конкретной задачи. [34]
С п - 1) Очевидно, в данном случае сложность модели будет определяться числом включенных в нее предикторов. Нужно ли для достижения максимальной точности в задаче восстановления неизвестных значений результирующего показателя т ] по значениям предикторов включать в модель все предикторные переменные, а если не все, то сколько и какие именно. [35]
Использование указанных мер должно быть строго обосновано, причем степень сложности модели должна быть согласована с величиной ошибок измерения переменных. [36]
Учет второго члена формулы ( 1) позволяет наложить необходимые ограничения на сложность модели, подавляя, например, излишнее количество настроечных параметров. Смысл совместной оптимизации эмпирической ошибки и сложности модели дает принцип минимальной длины описания. [37]
В любой конкретной ситуации необходимо в должной перспективе рассмотреть требуемую размерность и сложность модели и оценить ее предполагаемое влияние на принимаемые решения. Так, например, модель нелинейного программирования средних размеров может оказаться достаточной для отыскания области, включающей оптимальное решение. После определения этой области можно использовать более детальную модель линейного программирования, имеющую большую размерность, причем необходимая аппроксимация параметров этой модели основывается на полученном решении нелинейной модели. Такой двухэтапный подход особенно полезен тогда, когда модели применяются для стратегического планирования, а не для принятия текущих решений. [38]
На более высоких этажах физического дома моделей располагаются более сложные модели, причем сложность модели увеличивается в соответствии с усложнением вопросов, на которые она должна ответить. Исследователи достаточно хорошо понимают, когда и какую модель им выбрать, где лежат пределы применимости различных моделей, на какие вопросы эти модели могут отвечать и для решения каких задач они не пригодны. [39]
В тех случаях, когда число компонентов в исследуемой системе превышает некоторый порог, сложность модели системы на макроуровне вновь становится чрезмерной. Поэтому, принимая соответствующие допущения, переходят на функционально-логический уровень. [40]
Отработка принцшиальню: решений и оптимизация параметров автоматической системы ситуационного управления ( АССУ) ректификационной коленной в силу сложности модели только теоретическими методами вызывает большие трудноота. [41]
Следует подчеркнуть, что при идентификации моделей релаксационных процессов в многоуровневых системах особую значимость приобретает вопрос о выборе сложности модели. Расчеты показывают, что увеличение числа экспонент приводит, в полном соответствии с разделом 3.3, к неустойчивости решения обратной задачи и лишает модель предсказательной силы. [42]
Кроме того, строгие верхние оценки величины Q оказываются весьма завышенными и могут привести к слишком осторожным по отношению к увеличению сложности модели алгоритмам. [43]
Из общих результатов математической статистики, относящихся к анализу точности оценивания исследуемой модели при ограниченных объемах выборки, следует, что с увеличением сложности модели ( например, размерности неизвестного векторного параметра в, участвующего в ее уравнении) точность оценивания падает. Об этом же свидетельствуют и результаты, приведенные в гл. Это означает, в частности, что в ситуациях, когда исследователь располагает лишь ограниченной исходной выборочной информацией, он вынужден искать компромисс между степенью общности привлекаемого класса допустимых решений F и точностью оценивания, которой возможно при этом добиться. [44]
Оценки такого типа называются информационными критериями ( 1C) и включают в себя компоненту, соответствующую критерию согласия, и компоненту штрафа, которая учитывает сложность модели. [45]