Cтраница 1
Алгоритмы локальной оптимизации связаны с понятием окрестности. В регулярных задачах математического программирования это понятие вводится естественным образом и является основным при разработке алгоритмов и исследовании их сходимости. Во многих задачах дискретной оптимизации понятие окрестности не удается ввести естественным образом, в этом состоит одна из принципиальных трудностей, возникающих при решении задач этого типа. [1]
Алгоритм локальной оптимизации памяти не требует построения дерева и заключается в следующем. Просматривается снизу линейный участок, определяются последние чтения всех переменных и им последовательно выделяются ячейки памяти. После обнаружения записи переменной, соответствующая ячейка памяти освобождается, и, если встречается чтениа новой переменной, то ей назначается освободившаяся ячейка. [2]
Конечность алгоритмов локальной оптимизации очевидна, так как конечно множество допустимых решений, но количество шагов и точность, как правило, оценить не удается. Отметим, что алгоритмы указанного типа не требуют никакой дополнительной памяти. [3]
Ряд алгоритмов локальной оптимизации позволяют варьированием определенного параметра получать более точное решение. Таким параметром для алгоритмов метода вектора спада служит радиус окрестности. [4]
Улучшенное решение находилось с помощью алгоритмов локальной оптимизации - перестановкой любых двух городов и всевозможными перестановками пяти соседних городов. [5]
Эксперименты по обучению нейронных сетей показали, что совместное использование алгоритма локальной оптимизации, процедуры вывода сети из локального минимума и процедуры увеличения числа нейронов приводит к успешному обучению нейронных сетей. [6]
Оператор М, определяемый своими свойствами 3 - 6 представляет собой абстрактное описание алгоритма локальной оптимизации функции (2.1) на окрестности Gx-Мы уже отмечали, что чаще всего этот алгоритм сводится попросту к рационально организованному полному перебору точек окрестности. [7]
Динамика лрЧщесеа - построения дерева до обобщенному алгоритму 1 в Mz. [8] |
Так сделано для того, чтобы получить структуру дерева с дополнительными точками и начальное приближение для алгоритма локальной оптимизации. [9]
Более того, построены примеры матриц расстояний задачи коммивояжера, в которых приближенные решения, найденные алгоритмами локальной оптимизации, отстоят сколь угодно далеко от точного решения, если длительность поиска ограничивается числом операций, полиномиально зависящим от числа городов. [10]
При этом получается последовательность алгоритмов локальной оптимизации и возникает нетривиальная задача определения наилучшей в заданном смысле последовательности их работы. Постановка задачи определения такой последовательности рассмотрена в гл. [11]
В дальнейшем можно ввести другие определения окрестности и продолжить оптимизацию; в качестве начального решения берется решение, полученное на предыдущем этапе. При этом получится последовательность алгоритмов локальной оптимизации и возникает нетривиальная задача определения наилучшей в заданном смысле последовательности их работы. [12]
Хотя указанные алгоритмы дают возможность находить только локальные экстремумы, они могут быть использованы на практике для обучения нейронных сетей с многоэкстремальными целевыми функциями ( функциями ошибки), так как экстремумов у целевой функции, как правило, не очень много. Достаточно лишь раз или два вывести сеть из локального минимума с большим значением целевой функции для того, чтобы в результате итераций в соответствии с алгоритмом локальной оптимизации сеть оказалась в локальном минимуме со значением целевой функции, близким к нулю. [13]
Описанные ранее алгоритмы позволяют получить приближенные решения, которые можно назвать начальными. Их улучшение производится с помощью алгоритмов локальной оптимизации. [14]
Этот выбор реализуется на основании параметризации алгоритмов; параметризация является основой алгоритма и позволяет сформулировать задачу о наилучшем выборе параметров алгоритма. Определение параметров этого алгоритма может оказаться более трудной задачей, чем решение исходной задачи. Однако, используя различные соображения, связанные с алгоритмами локальной оптимизации, можно рационально выбрать параметры алгоритма. Такой выбор был впервые продемонстрирован для задачи коммивояжера. [15]