Cтраница 1
Традиционные оптимизационные алгоритмы для нахождения лучшего решения используют большое количество допущений при оценке ЦФ. Эволюционный же подход не требует таких допущений. [1]
Структурная схема оптимизационного алгоритма по расчету параметров состояния поверхностного слоя деталей машин по одному из эксплуатационных свойств приведена на рис. 3.3.2. В данном алгоритме генерацию случайных значений независимых переменных осуществляют с учетом ограничений. Далее выполняют расчет характеристики эксплуатационного свойства, а результат расчета сравнивают с предыдущим значением; запоминают значение характеристики эксплуатационного свойства, наиболее близкое к требуемому, а также значения параметров состояния поверхностного слоя деталей, при которых они получены. При этом одно и то же значение характеристики эксплуатационного свойства может быть получено при различных многовариантных сочетаниях параметров качества поверхностного слоя деталей. Поэтому появляется необходимость ввести оптимизационный алгоритм. Следует отметить, что задача конструктора значительно облегчается при использовании комплексных параметров для оценки состояния поверхностного слоя деталей машин, в частности, П и Су. После выбора метода вычислений составляют программу расчета по структурной схеме на одном из алгоритмических языков. [2]
В [37] предложен новый оптимизационный алгоритм редукции, у которого отсутствуют указанные недостатки. Исследовано четыре постановки задачи редукции путем минимизации L2 - нормы. [3]
При разработке таких оптимизационных алгоритмов находят применение, в частности, результаты графов теории и математич. [4]
Жадный алгоритм - это оптимизационный алгоритм, который основан на жадной стратегии. Он просматривает серию альтернатив, выбирая лучшее решение. [5]
В ЭМ особо выделяют генетические оптимизационные алгоритмы как наиболее хорошо исследованный и находящий широкое применение класс методов, сочетающих в себе элементы случайного поиска и эвристических подходов. Эвристики представляют собой некоторую формализацию правил, по которым человек принимает решения и которые являются обобщением его опыта и интуиции. Поэтому теория ГА не является завершенной, она постоянно совершенствуется и развивается. Тем не менее, достигнутые на этом направлении успехи привлекают все большее число исследователей и практиков к разрабатываемым здесь методам. В связи с этим в третьей главе книги рассмотрены основы теории ГА. Началом возникновения ГА считается модель биологической эволюции и методы случайного поиска. [6]
По соображениям эффективности работы рекуррентного оптимизационного алгоритма требуется предварительно понизить порядок сечений основного списка, входящих в зону. Для этого достаточно, воспользовавшись свойством максимальной независимости кратчайших путей, пометить все входящие в младший и только младший по номеру путь элементы как отсутствующие в схеме. Тем самым на каждом шаге декомпозиции эффективно понижается порядок всех возможных сечений. Законность такой процедуры является следствием теоремы о независимости, связывающим порядок сечения с количеством путей, в которые могут входить его элементы. [7]
Реализация вероятностного механизма в оптимизационном алгоритме на основе моделирования отжига осуществляется следующим образом. [8]
Это фактически будет означать, что оптимизационный алгоритм наверняка положит соответствующее значение перевозки Хц равным нулю, поскольку перевозка по этому маршруту просто крайне невыгодна. [9]
Это фактически будет означать, что оптимизационный алгоритм наверняка положит соответствующее значение перевозки X. [10]
Улучшение использования материала на основе применения оптимизационных алгоритмов при разделке бревен имеет важное значение для предприятий лесоперерабатывающей промышленности. [11]
Система рационального раскроя материала с применением генетического оптимизационного алгоритма / / Четвертая Международная летняя школа-семинар по искусственному интеллекту для студентов и аспирантов. [12]
В Управлении Урало-Сибирскими магистральными нефтепроводами был разработан оптимизационный алгоритм, в основу которого положен критерий - стоимость выплат энергосистеме за потребленную энергию. [13]
Рассмотрим использование для координации поведения интеллектуальных агентов в MAC генетических оптимизационных алгоритмов. [14]
ЭВМ на решение задачи математического программирования и знакомятся с трудностями использования оптимизационных алгоритмов для управления процессами в реальном времени, вызванными информационным запаздыванием. [15]