Эвристическое соображение
Cтраница 2
 |
Оптимизация по. [16] |
Выбор 2шгимального эначения из области компромисса осуществляется проектировщиком часто на основе интуитивных, эвристических соображений. [17]
Формирование знаний при этом можно рассматривать просто как процесс проведения отвечающих здравому смыслу эвристических соображений к понятному и пригодному для вычислений на компьютере виду. [18]
Излагая в предыдущей главе основы теории марковских процессов, мы мотивировали свой выбор эвристическими соображениями, суть которых сводится к тому, что временная эволюция параметра состояния Xt системы, связанной со случайной средой, является марковской в том и только том случае, если внешний шум белый. Вид феноменологического уравнения с гауссов-ским белым шумом ( особенно уравнения (4.13)) наводит на мысль о выделении особого класса марковских процессов - так называемых диффузионных процессов. В этой главе мы подробно изложим теорию стохастических дифференциальных уравнений Ито и Стра-тоновича и укажем тесную связь СДУ с диффузионными процессами. [19]
В данной работе вводится простой критерий разбиения объектов на классы, основанный на эвристических соображениях. Дается рекуррентный приближенный алгоритм построения разбиений, удобный для реализации на вычислительной машине. Алгоритм обобщается на случай неизвестного количества классов. Приводится точное решение задачи разбиения объектов на два класса. [20]
А ( п, D) обозначено число его решений, найденных из каких-либо эвристических соображений. [21]
Исторически понимание влияния рассеяния энергии на устойчивость углового положения тела было в значительной мере облегчено эвристическими соображениями, ставшими известными под названием энергетического метода исследования. Вкратце процесс познания развивался следующим образом: первоначально предполагали, что аппарат ( будь-то просто вращающееся твердое тело, или система с двойным вращением, или система с многократным вращением 2)) состоит из минимально необходимого числа жестких звеньев, не способных рассеивать энергию; цель исследования такой системы заключалась в нахождении углового движения аппарата при отсутствии моментов внешних сил. [22]
Мы отнюдь не утверждаем, будто математика не использует чувственные восприятия и интуицию во всякого рода наводящих и эвристических соображениях. Но математика превосходит все эти подсказки так же, как алмаз превосходит кусок стекла, и то, что математика открывает нам о внешнем мире, гораздо удивительнее зрелища звездного неба. [23]
Вычисляют для ( л 1) - го эксперимента априорные вероятности, либо задаются ими исходя из эвристических соображений. Априорные вероятности ( л 1) - го опыта являются апостериорными вероятностями для л-го опыта. [24]
Вычисляют для ( л 1) - го эксперимента априорные вероятности либо задаются ими, исходя из эвристических соображений. Априорные вероятности ( л 1) - го опыта являются апостериорными вероятностями для n - го опыта. [25]
Перечисленные выше трудности решения нелинейных распределительных задач привели к созданию множества алгоритмов приближенного решения, основанных или на эвристических соображениях, или на учете специфики конкретных объектов управления. [26]
Хотим только подчеркнуть, что внутренний фейнмановский интеграл по траекториям - это точное корректно определенное математическое понятие, ухватывающее значительную часть исходных эвристических соображений, причем его можно эффективно использовать в гиперконечных вычислениях. Но нужно соблюдать осторожность: интеграл внутренний и остается внутренним. [27]
Несмотря на хорошо известные ограничения рассмотренной модели, основанной на теории абсолютных скоростей реакции, мы буквально вынуждены ( хотя бы из эвристических соображений) ею широко пользоваться. [28]
Ко второй группе принадлежат методы, базирующиеся на аппроксимации функции G ( h - ( t) менее сложной функцией, поведение которой по эвристическим соображениям совпадает с поведением G ( t) в районе экстремума, и нахождении точки минимума аппроксимирующей функции. В этой точке находится значение аппроксимируемой функции и принимается решение о дальнейшем направлении поиска. Многократное применение указанной процедуры вплоть до совпадения с заданной точностью последовательных приближений составляет суть второй группы линейного поиска. Чаще всего в качестве аппроксимирующей функции применяется квадратичная или кубическая парабола. [29]
Основные достоинства метода следующие: одновременно в итерационном процессе находится группа наименьших собственных чисел и векторов, алгоритмы быстро сходятся, результат может быть получен без каких-либо эвристических соображений, в случае близких собственных чисел не требуется особый анализ. [30]
Страницы: 1 2 3 4