Cтраница 1
Сравнение алгоритмов (6.24) и (6.26) показывает, что они приводят к одному и тому же оптимальному решению. Следовательно, критерии идеального наблюдателя, максимума априорной плотности распределения и максимума апостериорной вероятности равносильны. Для решения задач оптимизации по этим критериям требуются одни и те же исходные данные. [1]
Сравнение алгоритмов Кря-нева и Тихонова, применяемых при решении некорректных задач. [2]
Для сравнения алгоритмов численных методов по их численной устойчивости обычно рассматривается тестовый пример. [3]
При сравнении алгоритмов нас будут интересовать такие, которые решают задачу быстрее, чем уже изученные. Поэтому, если найденный алгоритм относится к классу в, то он нам не очень интересен. Мы не будем часто ссылаться на этот класс. [4]
Одним из способов сравнения алгоритмов является подсчет максимального количества времени, затрачиваемого при вводе величины заданной размерности. Естественно, Т ( п) зависит от того, что считать шагом при подсчете. В дальнейших расчетах будет использоваться RAM - модельJ), предложенная Ахо, Хопкрофтом и Ульманом. RAM по существу является моделью простой вычислительной машины, имеющей память с произвольным доступом. [5]
Одним из способов сравнения алгоритмов является подсчет максимального количества времени, затрачиваемого при вводе величины заданной размерности. Естественно, Т ( п) зависит от того, что считать шагом при подсчете. В дальнейших расчетах будет использоваться RAM-модель), предложенная Ахо, Хопкрофтом и Ульманом. RAM по существу является моделью простой вычислительной машины, имеющей память с произвольным доступом. [6]
На основе формализации понятия алгоритма возможно сравнение алгоритмов по их эффективности, проверка их правильности и эквивалентности, определение областей применимости. [7]
Данный пример является прототипом общего подхода к сравнению алгоритмов. Математический анализ используется для оценки частоты, с которой алгоритм производит абстрактные операции, затем на основе этих результатов выводится функциональная форма времени выполнения, которая позволяет проверить и расширить эмпирические данные. [8]
Одним из критериев сходимости, часто используемым при сравнении алгоритмов, является их способность эффективно минимизировать квадратичные функции. Это объясняется тем, что вблизи минимума квадратичная функция может быть достаточно хорошей аппроксимацией целевой функции. Таким образом, алгоритм, который не дает хороших результатов при минимизации квадратичной функции, вряд ли может быть с успехом использован в случае общей нелинейной функции, когда текущая точка находится в окрестности минимума. [9]
Таким образом, приведенная статистика является лишь приблизительным инструментом для сравнения алгоритмов вывода. Некоторое отставание процедур вывода, реализованных в программе, от лучших алгоритмов других авторов не позволяет говорить о неэффективности разработанных алгоритмов. Наоборот, показанные результаты свидетельствуют о достаточно высокой эффективности процедур параллельного вывода, так как они сопоставимы по производительности с лучшими разработками в плане создания эффективных процедур дедуктивного вывода. [10]
Описанный в данном параграфе подход к оценке качества алгоритма применяется для сравнения альтернативных алгоритмов, имеющихся IB фонде генератора АСУП, при проектировании конкретной системы в зависимости от количественных характеристик информационной базы и других критических параметров предприятия, а также оценки качества модификаций самих математических моделей. Так оценивается возможность замены стохастических моделей детерминированными при заданных параметрах случайного вектора (), описанного ранее. [11]
Хотя обусловленность является качественным свойством вычислительных алгоритмов, тем не менее ее можно оценить количественно и пользоваться при сравнении алгоритмов. [12]
В работе [38] не приведено наилучшего решения задачи, которая решалась методами параметрического программирования, поэтому не представляется возможным сравнение алгоритмов. [13]
Основные принципы ( Часть 1) в контексте данной книги представляют собой основные принципы и методологию, используемые для реализации, анализа и сравнения алгоритмов. Материал, приведенный в главе 1, служит обоснованием изучения разработки и анализа алгоритмов; в главе 2 рассмотрены основные методы получения информации о количественных показателях производительности алгоритмов. [14]
Традиционный метод оценки аппроксимирующих алгоритмов, состоящий в прогоне этих алгоритмов на выборочных примерах, имеет ряд существенных недостатков, таких, как трудность подбора совокупности реальных выборок примеров и невозможность определения оптимального решения, с которым можно сравнивать полученные. Данный метод оценки пригоден больше для сравнения альтернативных алгоритмов, чем для определения того, насколько данный алгоритм близок к оптимальному. [15]