Cтраница 3
Использование оценки погрешности е вида (V.47) позволяет оценить погрешность и для других вероятностных характеристик поведения минимизируемого функционала на множестве. [31]
При увеличении рассматриваемых дисперсий увеличиваются степень неопределенности задач и, в конечном итоге, значение минимизируемого функционала. Проанализируем выбор этих знаков. [32]
Как видно, реализация одного из указанных операторов-мутаций несколько изменяет автомат и тем самым - значение минимизируемого функционала. Естественно те мутации, которые уменьшают значение функционала, считать благоприятными, а мутации, увеличивающие его, - неблагоприятными, что и использует процесс отбора. [33]
В зависимости от применяемой стратегии поиска, выбранного критерия перспективности множества, а также вероятностных свойств минимизируемого функционала возможны различные-подходы к исследованию сходимости предлагаемого метода. [34]
В случае нестационарных уравнений основные положения МКЭ - деление на КЭ, подбор аппроксимирующей функции и минимизируемого функционала - по-прежнему применяют по отношению к пространственной области. [35]
В этом параграфе на основе метода динамического программирования рассматривается задача оптимального управления линейной стохастической системой с квадратичным минимизируемым функционалом. [36]
Предложенный алгоритм перечисления планов выбора на каждом шаге запоминает информацию лишь о текущем анализируемом плане выбора, минимизируемый функционал для которого сравнивается с выбранным диапазоном допустимых значений функционала. Те планы выбора, для которых минимизируемый функционал не попадает в выбранный диапазон значений, не формируются. Если при просмотре планов не нашлось ни одного, для которого минимизируемый функционал укладывался бы в выбранный диапазон, то производится изменение границ выбранного диапазона значений минимизируемого функционала. При этом нижняя граница диапазона определяется минимальным значением функционала того плана из множества планов, значения функционалов которых не попали в выбранный диапазон. [37]
Легко проверить, что если прогнозирующая функция F ( x, б) является линейной по параметрам, то минимизируемый функционал (4.10) является выпуклым. Если при этом область В допустимых значений вектора также является выпуклой, то при оценивании можно воспользоваться итерационными алгоритмами градиентного типа. [38]
Первый метод [279] дает общую схему последовательного поиска решения, максимально ( с позиций теории статистических решений) учитывающего априорную специфику минимизируемого функционала и результаты всех предыдущих шагов поиска. [39]
Перечислим вкратце особенности основных задач размещения и покрытия, вытекающие из приведенных выше свойств Ф - и со-функ-ций, а также свойств минимизируемого функционала. [40]
Известные методы отыскания решений в задачах этого типа сводятся к отысканию путей на графе ветвлений, приводящих к узлу, в котором значение минимизируемого функционала минимально, но ограничения, возможно, не выполняются. [41]
Аналогично с помощью построения оптимального многообразия решений системы разностных уравнений вида (6.128) синтезируется оптимальное управление для системы разностные уравнений с известным интегральным многообразием и заданным минимизируемым функционалом, а также строятся численно функции Ляпунова по части переменных в окрестности интегрального многообразия. [42]
В ряде случаев выбор того или иного значения хл ( например, прямоточной или противоточной схемы теплообмена) может повлечь за собой изменение формул в расчетной части минимизируемого функционала 3 ( ZH, Хд), изменение структуры балансовых уравнений (2.2) и даже изменение размерности этой системы по непрерывным параметрам ZH. Что касается выполнения условий (2.3), то в зависимости от изменения некоторых параметров хя часть нелинейных функций / из (2.3) может менять свои пределы ( особенно границы сверху /), тем самым сужая или расширяя допустимую область R. Например, допустимая температура стенки паропровода тем выше, чем качественнее марка металла, из которого эта стенка сконструирована. [43]
Вопрос о существовании оптимального управления в общем случае связан со свойством компактности в той или иной топологии минимизирующих последовательностей управлений или траекторий и свойством полунепрерывности по соответствующим неременным минимизируемых функционалов. [44]
Необходимо отметить, что метод Колесникова аналитического конструирования оптимальных регуляторов для нелинейных систем, основанный на задании инвариантных притягивающих многообразий в замкнутой системе управления и конструкции связанного с ними минимизируемого функционала, является очень простым и эффективным, позволяющим точно вычислять решение задачи оптимальной стабилизации. [45]