Стохастический алгоритм

Cтраница 2

В-пятых, невозможно разработать общее для данного класса представление стохастического алгоритма систем, так как каждая конкретная системы обладает принципиальными особенностями теоретического и конструктивного плана. В стохастическом алгоритме эти особенности должны быть обязательно учтены. [16]

Поскольку шаг 7с () влияет на быстродействие, а не на предельно достижимую погрешность, требования к используемому генератору сравнительно невысоки. Подробное описание стохастических алгоритмов итерационной коррекции в данной книге не дается. Среди возможных применений алгоритма коррекции (1.86) следует указать задачи точного измерения постоянных величин на фоне случайных помех, искажающих результаты измерений. Сюда же следует отнести задачи коррекции погрешностей шумящих измерительных трактов, как аналоговых, так и аналого-цифровых. Существующие возможности в настоящее время не исследованы. [17]

Таким образом, из рассмотрения аналитических алгоритмов исследования надежности даже такой простой системы, как система с последовательным соединением элементов, следует, что такие алгоритмы при любом законе надежности, кроме разве экспоненциального, требуют довольно большой вычислительной работы, а это вызывает необходимость использования УЦВМ. Поэтому, целесообразным является применение стохастических алгоритмов для исследования надежности не только системы рис. 2.21, но главным образом сложных радиоэлектронных систем в классе условных систем с резервным соединением элементов. [18]

Первый способ определяет некоторую статистически эквивалентную нестационарную линейную комбинацию оценок фазовых координат, которая используется для определения нелинейной линии переключения. Это позволяет построить последовательные приближения к оптимальному стохастическому алгоритму, используя статистическую линеаризацию лишь для анализа систем с промежуточными линиями переключения. Второй способ дает лучшие результаты, чем первый, но его техническая реализация более сложная. [19]

В группу алгоритмов первого порядка входят алгоритм (1.39) метода кусочно-постоянного шага, адаптивный алгоритм (1.51), (1.52) и алгоритм (1.60) метода секущих с закрепленным концом. Алгоритм первого порядка имеется и в классе стохастических алгоритмов итерационной коррекции. [20]

Применение стохастических алгоритмов дает хорошие результаты лишь на начальных стадиях поиска. Если значение целевой функции в исходной точке поиска принять условно за 0 %, а в точке искомого минимума за 100 %, то можно сказать, что стохастические алгоритмы целесообразно применять только до 80 - 90 % искомого экстремума целевой функции. На заключительном этапе оптимизации более эффективными оказываются в ряде случаев методы детерминированного поиска. [21]

Реализуемые в нейропакетах алгоритмы обучения нейронных сетей можно разделить на три группы: градиентные, стохастические, генетические. Градиентные алгоритмы ( первого и второго порядков) основаны на вычислении частных производных функции ошибки по параметрам сети. В стохастических алгоритмах поиск минимума функции ошибки ведется случайным образом. Генетические алгоритмы комбинируют свойства стохастических и градиентных алгоритмов: на основе аналога генетического наследования реализуют перебор вариантов, а на основе аналога естественного отбора - градиентный спуск. [22]

Время достижения одинаковой точности алгоритмов A3 ( 1 и Монте-Карло ( 2. [23]

Хотя метод Монте-Карло, описанный в предыдущем пункте, и оказался пригодным к решению больших задач отображения алгоритмов на мультитранспьютерные ВС, его слабым местом является достаточно медленная сходимость. Попытки увеличить скорость сходимости за счет увеличения начальной температуры приводят к ухудшению стационарного решения. В силу этого был разработан новый стохастический алгоритм наискорейшего спуска. В этом методе, так же как и в методе Монте-Карло, используется процедура имитации отжига, чтобы гарантировать сходимость метода. [24]

Данная глава посвящена решению прикладных задач параметрической адаптации объектов различной природы. Здесь рассматриваются процессы обучения, распознавания и идентификации, синтез логических элементов, планов эксперимента и датчиков случайных чисел с заданными свойствами. Указанные задачи решаются с использованием стохастических алгоритмов адаптации, или методов случайного поиска. Полученные результаты показывают эффективность этих алгоритмов. [25]

Сходимость функционала в методе Монте-Карло ( 1 и методе наискорейшего спуска ( 2, 3 при решении задачи с га 27 и р 8. [26]

На основе метода была создана программа, с помощью которой было проведено численное исследование метода. Это исследование показало более высокую скорость сходимости, чем в методе Монте-Карло. На рис. 1.50 построены графики зависимости функционала J по итерациям алгоритма Монте-Карло и стохастического алгоритма наискорейшего спуска. Кривая 1 соответствует наиболее методу Монте-Карло в случае наиболее быстрого получения оптимального решения. [27]

Зависимость ускорения 5, достигаемого при распараллеливании явного метода решения нелинейной динамической системы, от времени ( передачи единицы информации по каналам ВС. [28]

Поставлена задача отображения алгоритмов, представленных взвешенными графами большой размерности, на архитектуры мультитранспьютерных вычислительных систем, содержащих большое число транспьютерных элементов. Проведено теоретическое и численное исследование поставленной задачи. Исследование показало, что функционал, подлежащий минимизации, обладает ярко выраженной овражной структурой и содержит большое число локальных минимумов, что затрудняет и даже делает невозможным применение большинства методов решения подобных задач - различных эвристических методов, методов безусловного спуска, методов наискорейшего спуска и т.п. Единственной возможной альтернативой этим методам является использование стохастических алгоритмов. [29]

Зависимость ускорения S, достигаемого при распараллеливании. [30]

Страницы: 1 2 3