Cтраница 2
Следующие два алгоритма случайного поиска отличаются от предыдущих в основном тем, что направление здесь выбирается в результате многократной выборки. [16]
Рассмотрим несколько алгоритмов случайного поиска глобального экстремума. [17]
Таким образом, алгоритм случайного поиска с нелинейной, тактикой является эффективным методом оптимизации многопараметрических задач. Егоэффективность падает с ростом размерности пропорционально 1 / Vff, а не / q, как у регулярных методов. Это делает случайный поиск надежным методом решения сложных задач. [19]
В разделе используется алгоритм случайного поиска, аналогичный рассмотренному в предыдущем разделе. [20]
Следовательно, глобальность алгоритмов случайного поиска является как бы премией за использование случайности и чем-то вроде бесплатного приложения к алгоритму. Это обстоятельство особенно важно при оптимизации объектов с неизвестной структурой, когда нет полной уверенности в одноэкстремальности задачи и возможно ( хотя и не ожидается) наличие нескольких экстремумов. [21]
Поэтому при использовании алгоритма случайного поиска для оптимизации плана-графика ремонтов в последовательно-параллельной схеме до начала и в процессе поиска используются эвристические приемы, позволяющие значительно сократить общее число вариантов. [22]
Рассмотрим кратко работу алгоритму случайного поиска при минимизации целевой функции. [23]
Эти алгоритмы являются квазибионическими алгоритмами случайного поиска, параметрические аналоги которых рассмотрены в § 3.7. Рассмотрим теперь эволюцию структуры. [24]
Известные в настоящее время алгоритмы случайного поиска - ненаправленный случайный поиск, алгоритм случайного поиска с возвратом, алгоритм наилучшей пробы, алгоритм покоординатного обучения - отно-сятся к классу локальных методов поиска. Глобальный поиск, решающий задачу отыскания глобального экстремума многоэкстремального объекта, является наиболее сложной поисковой процедурой. Большинство методов глобального поиска имеет статистический характер и связано с использованием случайных начальных условий в комбинации с локаль-ным поиском. Это было использовано при решении задачи оптимального распределения потоков в сложной сети магистральных газопроводов. [25]
Однако известно, что алгоритмы случайного поиска описанного выше типа обладают медленной сходимостью, хотя в принципе и позволяют решать любые задачи. [26]
Результаты применения. [27] |
Из трех рассмотренных методов алгоритмы гиперконического случайного поиска и Разрез целесообразно применять на начальных этапах минимизации. После этого можно детально исследовать область, примыкающую к минимуму, или всю допустимую область Q с помощью дифференциального глобального поиска. [28]
С ростом числа порядков алгоритмы случайного поиска профиля дифракционной решетки требуют большого времени расчета и приводят к нестабильной сходимости, а методы расчета, основанные на решении системы нелинейных уравнений, становятся численно неустойчивыми. [29]
Модуль 7 - один из алгоритмов случайного поиска, эффективный в задачах с ограничениями. [30]