Cтраница 1
Алгоритм случайного поиска по наилучшей пробе состоит в следующем. [1]
Алгоритм случайного поиска с линейной тактикой можно сравнить с ночным спуском по каменистому склону, когда вероятность правильного выбора общего направления велика и случайные шаги делаются только для обхода каких-то камней. При использовании же алгоритма с нелинейной тактикой подсказывающей правильное направление информации нет, и двигаться приходится на ощупь, вслепую. [2]
Многие алгоритмы случайного поиска моделируют поведение живых организмов в неизвестной среде. В данном случае моделируется присущая живым организмам способность стремиться к комфортным ситуациям и уклоняться от некомфортных. Эта способность, выработанная эволюцией, глубоко рациональна и широко используется в процессах управления. Используется она и в случайном поиске. Этот алгоритм моделирует поведение живого существа в среде, состояния которой могут быть для него комфортными и некомфортными. Попадая в такого рода среду, животное и человек обучаются: у них появляется стремление к комфортным ситуациям, в чем и состоит линейность их поведения. Линейность поведения широко используют при дрессировке животных и при... Поощрение в процессах воспитания дает результат именно благодаря этому свойству человеческого поведения. [3]
Про алгоритмы случайного поиска можно рассказать еще много интересного, но в нашу задачу входило лишь ответить на вопрос: как марковские цепи помогают ЭВМ. Мы считаем эту задачу выполненной. [4]
Смысл алгоритма случайного поиска сводится к следующему. Предлагается чисто случайное изменение коэффициентов klt / с2, / с3 модели и определяются выходные значения концентраций. [5]
Смысл алгоритма случайного поиска сводится к следующему. Предлагается чисто случайное изменение коэффициентов k, / c2, / с3 модели и определяются выходные значения концентраций. [6]
Рассмотрим некоторые алгоритмы случайного поиска и прежде всего - алгоритм чисто случайного поиска, впервые примененный в гомеостате Эшби. Поиск основан на определении знака приращения функции качества при случайном направлении пробного шага. Если направление пробного шага оказалось результативным ( знак приращения соответствует цели поиска: плюс при поиске максимума или минус при поиске минимума), то в этом же направлении делается рабочий шаг, а из нового положения - пробный шаг в случайном направлении. Если в результате пробного шага приращение показателя качества не соответствует поставленной задаче, то рабочий шаг не производится, а система либо возвращается в исходное положение и делает пробный шаг в другом направлении, либо осуществляет пробный шаг в новом направлении из той точки, куда ее привел предыдущий ( неверный) пробный шаг. Эти варианты чисто случайного поиска называются соответственно случайным поиском с возвратом и случайным поиском с пересчетом. На рис. 1.9 показано движение системы при обоих вариантах поиска. [7]
Еще один алгоритм случайного поиска работает следующим образом. Так же, как и в предыдущем случае здесь делается шаг заданной длины в случайном направлении, которое варьируется до тех пор, пока не будет достигнуто уменьшение целевой функции. [8]
Значит, алгоритм случайного поиска - это последовательность действий, которые надлежит выполнять в процессе поиска. [9]
Изложенные выше алгоритмы линейного случайного поиска обладают одним существенным недостатком, свойственным всем алгоритмам спуска: в процессе спуска выбранное направление все менее и менее соответствует антиградиентному и поэтому дальнейший спуск довольно быстро теряет смысл, он практически не минимизирует показатель качества объекта. Это обстоятельство заставляет обратиться к коррекции направления спуска в процессе самого спуска. [10]
Изложенные выше алгоритмы линейного случайного поиска обладают одним существенным недостатком, свойственным всем алгоритмам спуска: в процессе спуска выбранное направление все менее и менее соответствует антиградиентному и поэтому дальнейший спуск довольно быстро теряет смысл, он практически не минимизирует показатель качества объекта. Это обстоятельство заставляет обратиться к коррекции направления спуска в процессе самого спуска. [11]
Приведем пример алгоритма случайного поиска, в котором указанные части выделены явно. [12]
Оба описанных алгоритма случайного поиска эффективно работают при оптимизации сложных объектов. Их эффективность в одинаковых условиях одинакова. [13]
Для реализации алгоритмов случайного поиска необходимо иметь достаточно большую последовательность случайных чисел. Наиболее простым способом получения случайных чисел является их выборка из специальных таблиц, которые при расчетах на ЦВМ должны предварительно вводиться в ЗУ машины. Недостаток данного метода состоит в том, что память вычислительной машины при этом занимается информацией, которая практически используется однократно. [14]
Почему большинство алгоритмов случайного поиска и стохастической аппроксимации малоэффективны в районе экстремума функции, подверженной помехам. [15]