Cтраница 3
Идея сглаживания [132, 102], примененная в § 3.6 к решению многоэкстремальных задач, может быть использована и для сглаживания случайных помех. [31]
Я - / / Адаптивный алгоритм опти - мизации для многоэкстремальных задач большой размеренности. [32]
Задача (4.4.24) имеет в общем случае искомых переменных и является многоэкстремальной задачей нелинейного программирования. [33]
Иногда модифицированные методы локального поиска могут быть применены и для решения многоэкстремальных задач. Это относится к тем случаям, когда глобальный экстремум значительно глубже локальных экстремумов. К числу таких методов относится, например, метод тяжелого шарика, разные варианты которого позволяют определить вектор очередной точки по векторам текущей и предшествующей точек, а также градиентам целевой функции в этих точках. [34]
К методу уступок. [35] |
Величины уступок (22.3.3) определяются экспертным образом, исходя из анализа особенностей поставленной многоэкстремальной задачи. [36]
Ал ей и и ков, Мовшович С. Г., Некоторые алгоритмы решения многоэкстремальных задач размещения и их экспериментальное исследование. [37]
К сожалению, эффективного способа поиска глобального минимума нет и для существенно многоэкстремальных задач, по-видимому, в принципе быть не может. Ситуация в этом случае аналогична положению слепца, попавшего в горную местность и обладающего лишь одним прибором - высотомером: чтобы найти самую глубокую или самую высокую точку, ему требуется обойти, прощупать всю местность. Один из наиболее эффективных методов, позволяющих быстро проходить по местности ( по потенциальной поверхности) - это описанный ниже метод оврагов. И все же если число локальных минимумов очень велико - порядка 100 и более - то любой метод, в том числе и метод оврагов оказывается бессильным. [38]
Метод случайного поиска следует использовать для решения как одноэкстремальных, так и многоэкстремальных задач. Алгоритм метода легко программируется для решения задач на ЭЦВМ при большом числе переменных параметров. [39]
В том случае, когда определение оценок координат экстремума сводится к решению многоэкстремальной задачи, применяют другие вычислительные процедуры. Например, используется метод случайного поиска с направляющим конусом. При этом оптимальный режим работы установки каталитического крекинга как правило, достигается на границе, определяемой режимом работы регенератора. [40]
Большие перспективы имеет развитие работ по определению оптимальной стратегии оптимизации, по многоэкстремальным задачам, в частности решение задачи определения глобального экстремума функции в n - мерном пространстве. [41]
Основные вопросы методологии оптимального конструирования. [42] |
Конструкторские решения, как правило, принимаются в результате поиска оптимума в многоэкстремальных задачах. При этом учитываются такие подчас противоречивые факторы, как необходимость обеспечения заданных прочностных показателей, выбор материалов с определенными свойствами и технологических процессов с учетом влияния технологической наследственности. [43]
Приведенный обзор подтверждает, что уровень разработанности методов поиска абсолютного экстремума в многоэкстремальных задачах позволяет ориентироваться на практическое использование только приближенных методов. Некоторая компенсация этого недостатка и получение достаточно точных для инженерных целей результатов возможны за счет увеличения знаний о свойствах решаемой задачи. В связи с этим при решении задач оптимизации параметров и профиля адсорбционных установок необходимо проводить всестороннее и неоднократное изучение характера изменения минимизируемой функции и функций ограничения. Для исследования области оптимальных решений разработан и реализован на ЭВМ подход, базирующийся на использовании метода двупараметрических сечений. [44]
В результате всего этого задачу оптимизации нормального краткосрочного режима энергосистемы следует отнести к векторным целочисленным, многоэкстремальным задачам нелинейного программирования. [45]