Задача - группирование
Cтраница 1
Задача группирования при пайке микросхем на печатные платы часто требует, чтобы два изделия, в которые входят разные типы комплектующих, не попали в одну группу. [1]
Рассмотрим задачу группирования скважин по одному показателю на основе применения непараметрического критерия Уилкокеона - Манна - Уитни. В силу действия случайных помех дебиты одной скважины будут отличны друг от друга. Таким образом, задача сводится к установлению различия ( или его отсутствия) двух выборок. Обычно с этой целью используется критерий Стьюдента, который в данном случае неприменим, поскольку неизвестен вид распределения. В этих условиях применяют непараметрические критерии. [2]
 |
Схема образования комплексной заготовки для группы деталей валов с односторонним расположением ступеней. [3] |
Поэтому возникает задача группирования деталей, значительно отличающихся друг от друга по одному из признаков. [4]
Это придает задаче группирования информации дополнительную значимость, так как алгоритмы группирования информации могут служить информационной основой для алгоритмов декомпозиции задач принятия оперативных решений. [5]
Рассмотрим, как, пользуясь данным методом, можно решать задачи группирования, когда информация об объектах появляется не сразу, а постепенно, по мере срабатывания информационных подсистем. [6]
В многообъектных распределенных системах управления возникают специфические для распределенных систем задачи - задачи группирования информации о расстояниях объектов управления. Необходимость постановки и решения таких задач вызвана тем, что в условиях быстрого изменения параметров состояния объектов при достаточно сложных алгоритмах обработки информации и продолжительности передачи больших объемов информации по каналам связи требования к оперативности принятия решения резко возрастают, снижается эффективность алгоритмов принятия оперативных решений и эффективность всей системы управления в целом. [7]
Здесь предлагается векторный метод разделения веществ на группы по признаку близости их составов. Для решения задачи группирования прежде всего определим количественную характеристику, с помощью которой можно судить об этом. [8]
Однако трудности, связанные с тем, что невозможно проводить группирование при одновременном учете многих признаков без применения специальных математических методов, не позволили в то время реализовать эту идею. В настоящее время в геологии накоплен определенный опыт применения математических методов классификации или так называемого кластер-анализа - [6, 16; 17], результаты применения которого для решения нашей задачи и составляют-содержание настоящей главы. Задача группирования геологических объектов может быть [ поставлена как задача разграничения исходной совокупности объектов на заранее незаданное число классов. [9]
Сущность способа многомерной группировки заключается в том, что объекты классифицируют одновременно по всему набору признаков. Этот фиксированный набор признаков образует так называемое признаковое пространство, в котором каждому из них придается смысл координаты. Если в набор входит р признаков, то любой объект рассматривается как точка в р-мерном признаковом пространстве и задача рационального группирования сводится к выделению сгущений точек в этом пространстве. В этом случае группы формируются на основании близости объектов по большому числу признаков. При этом ни один из признаков, входящих в набор, не является необходимым или достаточным условием принаделжности конкретного объекта к группе. [10]
В шестой главе исследуются оптимизационные задачи на графах, такие как задачи разбиения, размещения, раскраски вершин графов, нахождения пути коммивояжера, построения деревьев Штейнера, трассировки соединений, построения клик, независимых подмножеств, покрывающих деревьев, определения планарности и изоморфизма графов. Для решения указанных задач применяются различные методы ЭМ. Рассмотрены нечеткие модифицированные алгоритмы их решения. Описаны итерационные методы парных и групповых перестановок, методы последовательного приближения, релаксации, поиска в глубину и ширину, направленного перебора и другие, а также эвристики, использующие различные методы статистической оптимизации. Эти эвристики представлены методами отжига, генетического поиска и их модификациями. Применяется группировка сильно связанных вершин в кластеры с дальнейшим сбором этих кластеров в заданные части разбиения, а также использование фрактальных множеств для группирования сильно связанных вершин. Рассмотрены последовательный ГА разбиения, алгоритм разбиения графов на части на основе модифицированной агрегации фракталов. Проанализировано использование итерационного разбиения гиперграфа и ГА дихотомического разбиения графа. При решении проблем разбиения графов на части рассмотрены задачи группирования элементов, обладающих одинаковыми свойствами. [11]
Страницы: 1