Cтраница 2
Во втором подходе, обозначаемом А2, решатель сначала рассчитывает с помощью оптимизационного алгоритма хромосому С и далее по этой хромосоме определяет и передает исполнителю само расписание S, т.е. непосредственно данные о месте и последовательности выполнения работ. При этом на интервале времени [ т, т J управление процессом приходится осуществлять по исходным расписанию S или хромосоме С, уже не являющимися квазиоптимальными. Этот интервал времени назовем латентным ( или временным зазором), а число актов процесса, приходящееся на латентный интервал, - длиной латентного участка хромосомы В. Здесь под актом понимается начало обслуживания одной работы на одном сервере. Поэтому далее рассматриваются ситуации, при которых инерционность процесса выше, чем инерционность расчета расписаний. [16]
Хотя в настоящем учебном пособии мы не ставили целью рассмотрение технических аспектов оптимизационных алгоритмов, все же, чтобы продемонстрировать роль введенного понятия опорного плана и дать представление об упоминавшихся выше специальных эффективных алгоритмах решения транспортных задач, представляет интерес получить решение нашей игрушечной транспортной задачи без помощи компьютера. [17]
По возможности минимальные затраты времени ЭВМ на решение задач, поскольку модели динамики обмена являются составными частями оптимизационных алгоритмов и определяют по сути время решения задач оптимизации. [18]
Согласно существующим исследованиям можно сказать, что эволюционные методы и ГА позволяют решать те проблемы, решение которых традиционными оптимизационными алгоритмами затруднительно. [19]
Неточное воспроизведение зависимостей между коэффициентами активности и составами за счет неправильного толкования механизма установления равновесия может привести вообще к отсутствию сходимости оптимизационного алгоритма, не говоря уже о возможности неоднозначного решения. Пока в этой области предпринимаются лишь попытки решения частных задач полуэмпирическими методами. [20]
Также в программный комплекс включены базовые схемы вычислительных экспериментов ( с возможностью их пополнения), которые представляют в совокупности методики, позволяющие: исследовать влияние размерности задачи управления на величину информационного запаздывания; строить зависимости показателей качества от информационного запаздывания как от параметра; определять порог уточнения модели объекта и усложнения алгоритма управления, превышение которого приводит к ухудшению показателей качества из-за потери своевременности управляющих воздействий; сопоставлять различные варианты вычислительной и информационной организации алгоритмов сбора информации и управления, предлагать и испытывать новые варианты; оценивать предельную размерность задачи управления, превышение которой приведет к потере преимуществ оптимизационных алгоритмов перед менее совершенными, но гораздо более быстродействующими линейными ТТИД-законами управления. [21]
Анализ недостатков АКОР, предусмотренный сценарием лабораторной работы, может привести студента к неверному выводу о бесполезности АКОР для решения практических задач автоматизации. Роли оптимизационных алгоритмов ( как, согласно замечанию B.C. Пугачева, объективному эксперту инженерных решений) посвящена специальная лекция. [22]
Зависимость максималь. [23] |
Для решения этой проблемы была предложена эвристика, которая заключается в модификации генетического алгоритма. Данная модификация оптимизационного алгоритма заключается в изменении операторов скрещивания и мутации. Поскольку в старом алгоритме в качестве оптимизационного алгоритма использовался ПГА, то механизм оператора скрещивания представлял собой скрещивание двух особей предков с разрывом в одной точке ( точка разрыва выбирается случайно) и последующим обменом концов строк-хромосом особей предков для получения двух особей потомков. Механизм мутации представлял собой однобитную мутацию, при которой для случайно выбранной особи случайным образом определялся ген и бит в строке-хромосоме; затем данный бит инвертировался. Исследования работы алгоритма для больших портфелей заказов показали, что такая схема работы оказывает малое влияние на развитие популяции, что приводит к плохим результатам. Для решения было предложено использовать механизм многоточечного скрещивания и многобитной мутации. [24]
Используется в оптимизационном алгоритме сопряженных градиентов. [25]
Книга доступна широкому кругу читателей и может быть полезна тем, кто пожелает либо ознакомиться с современным состоянием методов оптимизации с ограничениями, либо выбрать эффективный алгоритм для решения практической задачи. Она интересна и специалистам по оптимизационным алгоритмам, которые найдут в ней новые методы и идеи. [26]
Правомочность таких алгоритмов имеет не строго математическое, а лишь интуитивное обоснование. Они обычно применяются в тех случаях, когда использование точных оптимизационных алгоритмов на практике невозможно. Приводятся примеры успешного применения генетических алгоритмов. [27]
В нашей постановке особую роль играют ограничения типа равенства (5.7), которые нежелательны при постановке классических задач линейного программирования. Они несут особую смысловую нагрузку, которую необходимо использовать при составлении оптимизационного алгоритма. [28]
Рассматриваются вопросы, связанные с эволюционным развитием сложных систем различной природы. Аналогия эволюционного развития естественных и искусственных систем позволяет развить подходы и методы эволюционного моделирования, генетических оптимизационных алгоритмов, распределенного искусственного интеллекта и искусственной жизни. Описаны генетические и синергетические подходы, а также средства эволюционного моделирования. Представлены современные взгляды на гибридные системы, основанные на имитационных моделях и эволюционном моделировании. [29]
Некоторые общие подходы к проблеме оптимизации возникли в теории вариационного исчисления; они частично уже описаны в 2.2. Однако набор оптимизационных алгоритмов в настоящее время так значителен, что можно говорить о специальном направлении в вычислительной математике. [30]