Cтраница 3
Ресурсы распараллеливания структурными свойствами не исчерпываются и могут быть дополнены в подсистеме моделирования на этапе формирования градиентного алгоритма и при вычислении начальных приближений, что исследовано в соответствующей главе, посвященной реализации стабильных и эффективных решений ( гл. [31]
Естественно, можно спросить, имеет ли какой-нибудь смысл использование членов второго порядка малости при синтезе градиентных алгоритмов. [32]
Блок-схема системы беспоискового экстремального управления с моделью чувствительности. [33] |
Теперь блок-схему беспоисковой системы экстремального управления можно представить в виде, показанном на рис. 21.2.7. Здесь исполнительный механизм ИМ реализует работу градиентного алгоритма (21.1.9) и образует оптимизируемые параметры U. Модель объекта работает как модель чувствительности. [34]
Из рисунка, в частности, видно, что процесс сходится гораздо медленнее, чем можно было бы ожидать при использовании градиентного алгоритма. [35]
Блок-схема системы беспоискового экстремального управления с моделью чувствительности. [36] |
Теперь блок-схему беспоисковой системы экстремального управления можно представить в виде, показанном на рис. 21.2.7. Здесь исполнительный механизм ИМ реализует работу градиентного алгоритма (21.1.9) и образует оптимизируемые параметры U. Модель объекта работает как модель чувствительности. [37]
Так как т: / пропорционально общему количеству вычислений функции Kf, a Tg - Kp - количеству направлений спуска, быстродействие градиентных алгоритмов минимизации определяется числами Kf и Кр, которые будут в Дальнейшем указываться при решении тестовых примеров и конкретных задач. [38]
Существование такой программы, как СТО, подтверждает практическое применение гибридного подхода, объединяющего достоинства двух оптимизационных методов: генетического алгоритма, который легко находит точку, близкую к оптимальному решению, и градиентного алгоритма, который стартует из найденной точки и быстро приводит к настоящему оптимуму. [39]
Так как т / пропорционально общему числу вычислений функции К ( /), a tg - Кр - числу направлений спуска ( предполагается, что алгоритм линейного поиска по направлению требует расчета лишь значений минимизируемой функции в различных точках, а не ее градиента), то быстродействие градиентных алгоритмов минимизации определяется числами / С / и Кр, которые будут в дальнейшем указываться при решении тестовых примеров и конкретных задач. [40]
Реализуемые в нейропакетах алгоритмы обучения нейронных сетей можно разделить на три группы: градиентные, стохастические, генетические. Градиентные алгоритмы ( первого и второго порядков) основаны на вычислении частных производных функции ошибки по параметрам сети. В стохастических алгоритмах поиск минимума функции ошибки ведется случайным образом. Генетические алгоритмы комбинируют свойства стохастических и градиентных алгоритмов: на основе аналога генетического наследования реализуют перебор вариантов, а на основе аналога естественного отбора - градиентный спуск. [41]
В качестве алгоритма идентификации, определяемого видом функции потерь и структурой настраиваемой модели, применяется стохастический градиентный алгоритм. Стохастические градиентные алгоритмы рекуррентной идентификации для оценки параметров линейных динамических систем описаны в трудах многих авторов [1, 3, 16-19, 22-31] и применяются для разных технических и технологических объектов. Но при создании нелинейных адаптивных систем управления они полностью еще не использованы и не изучены. Естественно, возникает вопрос о возможности их применения для нелинейных динамических объектов. При этом надо определить эффективность работы алгоритма идентификации в адаптивных системах управления, которая определяется не только условиями сходимости, но и скоростью сходимости. [42]
Фаза ДОЭ ( в, рассчитанная по алгоритму, ж интенсивность в фокальной плоскости ( б. [43] |
Поэтому, чем сложнее алгоритм, тем больше требуется временных затрат при его компьютерной реализации. Применение градиентных алгоритмов в задачах расчета ДОЭ имеет ряд особенностей, некоторые из которых будут рассмотрены в этом разделе. [44]
Это является актуальным при анализе работы апериодических ДОЭ с большой апертурой, когда точный расчет невозможен по причинам вычислительной сложности. Перспективным является совместное использование полученных асимптотик и градиентных алгоритмов расчета однопорядковых решеток. Это позволяет решать обратную задачу синтеза фокусатора с учетом электромагнитных эффектов. [45]