Cтраница 1
Рассматриваемая задача управления состоит в следующем. [1]
Иногда поиск аналогий для рассматриваемой задачи управления приводит нас к широким весьма общим структурам, вроде дифференциальных уравнений или теории вероятностей, иногда - к таким более частным, но хорошо разработанным структурам, как теория очередей, а порой - и к сугубо специальным моделям, развитым для каких-то других проблем управления. Несмотря на важность подобных аналогий, мы в настоящем обсуждении рассмотрим лишь те шаги, которые делаются после выявления такой ассоциации или выяснения ее отсутствия. [2]
Применение динамического программирования для решения рассматриваемой задачи управления особенно полезно, так как позвол-яет получить ответ в численном виде. [3]
Важным обстоятельством является также то, что в рассматриваемых задачах управления свойства всей системы могут существенным образом отличаться от свойств отдельных ее элементов. При этом, даже располагая математическими моделями всех элементов, входящих в систему, чрезвычайно трудно, а часто и невозможно получить модель всей системы в целом. Увеличение числа элементов, из которых образована система, на определенном этапе приводит к новым качественным изменениям свойств объекта управления. [4]
Подобное представление модели объекта, разумеется, расширяет класс рассматриваемых задач управления и приводит к появлению в оптимальных стратегиях новых свойств, которые были рассмотрены в начале параграфа. Подобные нелинейные члены модели в формировании оптимальных стратегий управления будут рассмотрены далее. Такое представление модели позволяет ставить задачи, в которых в качестве управлений рассматриваются решения выбора момента осуществления измерений. [5]
В рассмотренном очень простом примере видны сразу два фундаментальных свойства решений рассматриваемых задач управления. Во-первых, оптимальные стратегии включают в себя операцию прогнозирования хода процесса и значения минимизируемого функционала. [6]
Тем более, что некоторые из них не имеют отношения к рассматриваемой задаче управления. [7]
В [8] алгоритмы определения функций управления с минимальной нормой сформулированы для линейных систем из более простых рассуждений, которые вытекают из геометрической интерпретации в фазовом пространстве рассматриваемых задач управления. [8]
Задачи анализа сложившейся обстановки при компьютерной поддержки принятия управленческих решений и проектном анализе в нефтяной и газовой промышленности очевидным образом вытекают как из этапов формирования решений ( см. рис. 1.4), так и из содержания и особенностей конкретных рассматриваемых задач управления и проектного анализа, рассмотренных в первой главе. [9]
В работах, связанных с оцениванием переменных для технологических процессов, обычно используют соотношения расширенного фильтра Калмана ( см., например, гл. Такая аппроксимация, как правило, удовлетворяет по точности сравнительно невысоким требованиям, предъявляемым к рассматриваемым задачам управления, а также сохраняет обычную структуру алгоритма оптимальной фильтрации ( 17) и поэтому легче поддается интуитивному осмысливанию и эвристическим изменениям при практическом использовании. Наряду с применением рассмотренных выше соотношений ( 165), а также ( 163) и ( 164) при использовании сложных нелинейных моделей можно рекомендовать также целый ряд дополнительных методов, позволяющих вводить нелинейные задачи - оценивания в прокрустово ложе ЛКГ-условий, избегая при этом усложнения вычислительных процедур. [10]
В большинстве практически встречающихся случаев представляется возможным, хотя бы в первом приближении, рассматривать процессы изменения технологических величин или других производственных показателей как стационарные случайные функции с нормальным распределением. Поэтому обычно критерий минимума среднеквадратичной ошибки является наиболее приемлемым в качестве критерия наилучшего предсказания в большинстве рассматриваемых задач управления. [11]