Cтраница 1
Стохастический алгоритм (4.24) позволяет представить алгоритм исследования надежности системы рис. 4.19 6 в виде укрупненной блок-схемы, изображенной на рис. 4.22. Эта блок-схема работает так. Оператор 3 присваивает переменной q ( номер шага) ее начальное значение. [1]
Получив стохастический алгоритм (4.3), теперь нетрудно, учитывая вышеизложенное, построить алгоритм исследования надежности системы рис. 4.1, а. [2]
Применение стохастических алгоритмов позволяет повысить быстродействие АЦП и улучшает ряд других показателей, характеризующих их эффективность. [3]
Применение стохастических алгоритмов дает хорошие результаты лишь на начальных стадиях поиска. Если значение целевой функции в исходной точке поиска принять условно за 0 %, а в точке искомого минимума за 100 %, то можно сказать, что стохастические алгоритмы целесообразно применять только до 80 - 90 % искомого экстремума целевой функции. На заключительном этапе оптимизации более эффективными оказываются в ряде случаев методы детерминированного поиска. [4]
Сходимость функционала в методе Монте-Карло ( 1 и методе наискорейшего спуска ( 2 3. [5] |
Монте-Карло и стохастического алгоритма наискорейшего спуска. Кривая 1 соответствует наиболее методу Монте-Карло в случае наиболее быстрого получения оптимального решения. [6]
Формула (3.6) есть стохастический алгоритм системы, изображенной на рис. 3.6, при ненагруженном резерве. [7]
Формула (2.46) представляет собой искомый стохастический алгоритм. [8]
Формула (3.4) представляет собой искомый стохастический алгоритм. [9]
При обучении нейронной сети на основе стохастического алгоритма имитации отжига совершаются шаги по адаптивному рельефу в случайных направлениях. При этом шаг из точки S в точку S со значением энергии Е ( Е Е), приводящий к увеличению значения функции ошибки ( энергии) на величину А Е - Е), допускается с заданной вероятностью. [10]
В-пятых, невозможно разработать общее для данного класса представление стохастического алгоритма систем, так как каждая конкретная системы обладает принципиальными особенностями теоретического и конструктивного плана. В стохастическом алгоритме эти особенности должны быть обязательно учтены. [11]
Такая особенность разбу-ренности месторождения приводит к необходимости применения при его моделировании стохастических алгоритмов. [12]
Создание трехмерных моделей литологии и петрофизических свойств продуктивных пластов может осуществляться с использованием как детерминированных, так и стохастических алгоритмов. Последние рекомендуется применять на стадии разбуренности месторождения разведочными скважинами. [13]
Было установлено, что преобладающее большинство адаптивных, алгоритмов может быть получено при помощи метода стохастической аппроксимации Робинсо - Яонро и Кифера-Вольфовица и его обобщений, например, псевдоградиентных стохастических алгоритмов. В это время были получены условия сходимости этих алгоритмов и оценена скорость их сходимости. [14]
Кратко опишем недостатки других методов. Стохастические алгоритмы требуют очень большого числа шагов обучения. Это делает невозможным их практическое использование для обучения нейронных сетей больших размерностей. Экспоненциальный рост сложности перебора с ростом размерности задачи в алгоритмах глобальной оптимизации при отсутствии априорной информации о характере целевой функции также делает невозможным их использование для обучения нейронных сетей больших размерностей. Метод сопряженных градиентов очень чувствителен к точности вычислений, особенно при решении задач оптимизации большой размерности. Для методов, учитывающих направление антиградиента на нескольких шагах алгоритма, и методов, включающих вычисление матрицы Гессе, необходимо более чем 2Р дополнительных переменных. В зависимости от способа разрежения, вычисление матрицы Гессе требует от 2Р до Р2 дополнительных переменных. [15]