Cтраница 2
В силу ограничений, накладываемых на целевые функционалы, непрерывность их в пространстве параметров может нарушаться, а область определения окажется невыпуклой или несвязанной. [16]
Этот критерий основан на анализе поведения целевого функционала при малых синусоидальных вариациях, стационарного значения. При этом предполагается, что оптимальное стационарное управление существует и является внутренней точкой множества допустимых управлений. В таком случае первая вариация критерия качества ( 7.5 а) обращается в нуль и исследуется вторая вариация целевого функционала около оптимального статистического управления. [17]
Функционалы приоритета (1.4) и (1.5) для указанных целевых функционалов построены У. В [149] показано, в частности, что к этой задаче сводится ряд известных экстремальных задач на подстановках. TVP-трудность этой задачи ( даже при 6i н) - При dt 0, 6, t i ее решение получено С. Беллма-ном, основано на методе динамического программирования. При указанных условиях задача известна в литературе как задача 2 Xп Беллмана - Джонсона. [18]
Это обусловлено тем, что часть аргументов целевого функционала зависит от времени, а другая часть неизменна во времени. Обычно для решения подобных задач предлагается исходную формулировку преобразовать к формулировке чистых вариационных задач, у которых все аргументы являются функциями времени. Для этого необходимо векторы Z и К рассматривать в качестве новых векторов-функций времени, производные которых по времени тождественно равны нулю. Это увеличивает размерность и объем задачи и создает дополнительные трудности для применения вариационных методов решения. [19]
После того как приведены приближенные выражения для целевых функционалов в случае одноно-менклатурного запаса, можно перейти к построению аналогичным путем функционалов для многономенклатурного запаса. [20]
Уравнения (2.3), (2.4) определяют способ вычисления целевых функционалов верхнего и нижнего уровней на каждом шаге процесса формирования управляющих воздействий. [21]
Это обусловлено тем, что часть аргументов целевого функционала зависит от времени, а другая часть неизменна во времени. Обычно для решения подобных задач предлагается исходную формулировку преобразовать к формулировке чистых вариационных задач, у которых все аргументы являются функциями времени. Для этого необходимо векторы Z и К рассматривать в качестве новых векторов-функций времени, производные которых по времени тождественно равны нулю. Это увеличивает размерность и объем задачи и создает дополнительные трудности для применения вариационных методов решения. [22]
Близость достижения поставленной цели можно характеризовать некоторым целевым функционалом ( КПД установки, сроком службы оборудования н др.), который называется критерием оптимальности. Задача выбора оптимальных параметров настройки регуляторов связана о поиском экстремума критерия оптимальности в области допустимых значений параметров. [23]
X - выпуклое множество, то оптимальное значение целевого функционала, достигаемое на решающих распределениях, может быть достигнуто и на решающих правилах. Ниже установлены отдельно для случаев априорных и апостериорных решающих распределений достаточные условия, гарантирующие совпадение оптимальных значений целевых функционалов на чистых и смешанных стратегиях. [24]
Ясно, что решение задачи и оптимальное значение целевого функционала зависят от информации, которую принимающий решение имеет возможность в процессе управления накапливать и запоминать. Задача будет полностью поставлена, если будет задана информация, которой располагает управляющий на каждом этапе. [25]
Случайный предельный процесс нагружения определяется экстремальными пространственно-временными свойствами случайного целевого функционала, который представляет случайный процесс накопления повреждений. [26]
Изложение комбинированного метода будем проводить в предположении того, что целевой функционал имеет вид чебышевской нормы. [27]
Таким образом, решение конечно-мерной задачи (4.21) определяет верхнюю грань целевого функционала Л - задачи. Покажем, что при допущении (4.22) вектор цп дает точную верхнюю грань функционала Q ( №) при ЛП 0 и, следовательно, оказывается одним из оптимальных планов Л - задачи. [28]
Задача стохастического программирования (3.1) - (3.3) в зависимости от вида целевого функционала (3.1) преобразуется в одноэтапную М - модель с вероятностными ограничениями, одноэтапную / - модель с вероятностными ограничениями, одноэтапную / - модель со смешанными условиями ( для решения этих моделей используются априорные или апостериорные решающие правила) либо в одноэтапную задачу с построчными вероятностными ограничениями и решающими правилами нулевого порядка. [29]
Для применения АСГ необходимо ввести дополнительные инерционные звенья в ОУ или целевой функционал. [30]