Итеративный алгоритм

Суть этого алгоритма [92] состоит в соединении основной схемы итеративного алгоритма решения соответствующей нецелочисленной задачи с идеей доводки его до целочисленного методом случайного поиска. Итеративный алгоритм, основанный на идее известного метода Брауна— Робинсона решения матричных игр, дает возможность получить приближенное решение задачи линейного программирования при небольших затратах машинного времени. Проведенные эксперименты доказывают, что в применении к некоторым классам задач линейного программирования итеративные алгоритмы могут конкурировать с симплексными [92].  [c.190]


Итеративный алгоритм обучения многослойных персептронов, ставший впоследствии  [c.110]

Алгоритмы, применяемые при этом (итеративные алгоритмы методов последовательного улучшения плана), можно разделить на три класса  [c.137]

Итеративные алгоритмы методов последовательного улучшения плана 137  [c.468]

Реальность результатов решения задач перспективного планирования развития ГСС во многом зависит от характера выбранного метода и алгоритма решения задач и еще больше от подхода в целом к их постановке и решению. При использовании оптимальных итеративных алгоритмов следует стремиться к тому, чтобы они были не просто математически сходящимися (например, такими, в которых оптимальное допустимое решение получается лишь на последней итерации), а имели бы удобную экономическую интерпретацию и соответствовали бы по достигаемой точности исходным данным и требованиям к результатам. Это, в свою очередь, предполагает получение на каждой итерации допустимого решения, пригодного для практической реализации, а также обеспечения хорошей сходимости алгоритма. Возможно сокращение трудоемкости расчетов на итерации за счет некоторого уменьшения точности получаемых результатов, что оправдано при наличии фактора неопределенности исходной информации.  [c.140]

В (148] и 306] условия оптимальности решения стохастических задач с фиксированным функциональным видом априорных решающих распределений использованы для построения адаптивных алгоритмов вычисления набора а искомых параметров распределения. При некоторых предположениях можно доказать, что такие итеративные алгоритмы, основанные на идеях стохастической аппроксимации, позволяют по последовательным реализациям случайных параметров условий задачи получить последовательность векторов ап, сходящуюся к оптимальному  [c.144]

Рассмотрим следующий итеративный алгоритм решения задачи min Q (х),  [c.189]

В [364] предлагается и аргументируется следующая модификация итеративного алгоритма из [83].  [c.219]

Заметим, что в общем случае применение предложенного в п. 4.5 итеративного алгоритма для построения апостериорных решающих правил хп(ып) задачи вида (4.6) — (4.8) упростится, если ввести функции  [c.230]

Итеративные алгоритмы (5.18) и (5.19) сходятся, однако, к искомым величинам только в сравнительно узком классе задач, в которых функция распределения случайной величины у симметрична относительно в.  [c.365]

В дальнейшем и в других работах (см., например, [36, 211, 173]) были получены аналогичные результаты. В доказанных по этому поводу утверждениях гарантируется сходимость соответствующего процесса стохастической аппроксимации к одному из локальных экстремумов или одному из корней функции регрессии f(x). Между тем для решения многих содержательных задач требуется итеративный алгоритм, обеспечивающий сходимость не к какому-нибудь локальному экстремуму, а к глобальному оптимуму функции регрессии.  [c.369]


Прямое решение задачи детерминированного эквивалента, в котором условные вероятности повторно вычисляются на каждом шаге для всех информационных траекторий. Программы для решения задач линейного и квадратичного программирования очень большой размерности имеются в наличии и способны решать задачи, используя соответственно стандартные алгоритмы линейного программирования (т.е. симплекс-метод и метод внутренней точки) и квадратичного программирования (итеративный алгоритм, или на основе метода внутренней точки).  [c.35]

Выбор оптимального плана геофизических исследований по этому критерию должен осуществляться итеративным методом, а именно путем многократного решения задачи среднего уровня каждый раз после направленного обновления вариантов развития отдельных баз ц всего перспективного задания экспедиции. Такое обновление осуществляется на основе вспомогательных моделей верхнего и нижнего уровней. Алгоритм согласования [2] обеспечивает последовательное улучшение перспективного плана по значению выбранного критерия оптимизации.  [c.153]

Итеративная увязка блоков 1 с использованием этого алгоритма имеет сравнительно простую вычислительную процедуру, требует малого числа итераций для достижения решения, позволяет прервать процесс оптимизации на любой итерации, обеспечив при этом строгую сбалансированность вариантов развития объектов нефтебазового хозяйства за период в целом. К недостаткам метода можно отнести трудоемкость вариантных расчетов перспективных планов.  [c.76]

Существует также группа более сложных проблем, для которых имеются не алгоритмы, а модели. Они могут использоваться в режиме диалога руководителя с машиной. Хотя без алгоритма модель не может быть использована для выбора наилучшего решения, тем не менее ее можно использовать для оценки любого принимаемого решения. Так, она может применяться для сравнения различных решений, предлагаемых руководителем. Это делает возможным диалог руководителя с машиной, приводящий к принятию решения. Диалог может иметь итеративный характер и представлять собой последовательность этапов приближения к некоторому выбору. Например, руководитель может вводить в вычислительную машину, содержащую модель, несколько решений. Вычислительная машина может сравнивать их и выдавать свою оценку руководителю для использования в процессе формирования нового набора вариантов, которые он снова вводит в вычислительную машину. Этот цикл может продолжаться до тех пор, пока не будет получено решение, которое считается достаточно хорошим, либо пока не истечет отведенное на вычисление время.  [c.212]

Численные методы дают возможность получить решение путем многократного вычисления по определенному алгоритму, реализующему тот или иной численный метод. В качестве исходных данных для вычисления используются числовые значения параметров объекта, внешней среды и начальных условий. Численные методы являются итеративными процедурами для проведения следующего шага расчетов (при новом значении управляемых переменных) используются результаты предыдущих расчетов, что позволяет получать в процессе вычислений улучшенные результаты и тем самым находить оптимальное решение.  [c.26]

Имеется некоторая функция, положительная всюду, кроме точки, являющейся целью последовательных приближений, в которой эта функция равна нулю. Предполагается, что алгоритм итеративной процедуры ограничен такими условиями, что в среднем за одну итерацию значение 354  [c.354]


В [52] предложен алгоритм, представляющий сочетание процесса типа стохастической аппроксимации со скачкообразным случайным процессом. Алгоритм позволяет построить итеративную последователь-кость, сходящуюся по вероятности (в некотором обобщенном смысле) к глобальному экстремуму функции регрессии. Алгоритм типа стохастической аппроксимации обеспечивает притяжение к локальному экстремуму, а скачкообразный случайный процесс позволяет выделить глобальный экстремум среди множества экстремальных точек функции  [c.369]

Ш а г 8. Усовершенствование кода. Используется итеративный процесс последовательного усовершенствования логики модуля, начиная с абстрактного определения логики и заканчивая разработкой кода для модуля. Алгоритм проведения работы на данном шаге базируется, как правило, на элементах структурного программирования.  [c.144]

Алгоритм сводится к следующим итеративно взаимосвязанным шагам в нахождении близкого к оптимальному сочетания планируемых цены и объема выпуска новшества, а также величины постоянных текущих операционных издержек в связи с осуществлением указанного выпуска.  [c.163]

Несмотря на перечисленные трудности, все же вычисление внутренней доходности исходя из балансового уравнения (14.38) не представляет особых проблем, поскольку имеются методы (алгоритмы) вычисления корней таких уравнений с любой степенью точности. Все эти методы являются итеративными процедурами, порождающими последовательность приближенных значении  [c.604]

Системы обработки данных (СОД) предназначены для учета и оперативного регулирования хозяйственных операций, подготовки стандартных документов для внешней среды (счетов, накладных, платежных поручений). Горизонт оперативного управления хозяйственными процессами составляет от одного до несколько дней и реализует регистрацию и обработку событий, например оформление и мониторинг выполнения заказов, приход и расход материальных ценностей на складе, ведение табеля учета рабочего времени и т.д. Эти задачи имеют итеративный, регулярный характер, выполняются непосредственными исполнителями хозяйственных процессов (рабочими, кладовщиками, администраторами и т.д.) и связаны с оформлением и пересылкой документов в соответствии с четко определенными алгоритмами. Результаты выполнения хозяйственных операций через экранные формы вводятся в базу данных.  [c.12]

Симплекс-алгоритм носит итеративный характер и состоит в построении и последовательном преобразовании симплексной таблицы, в результате которого от начального плана можно за конечное число шагов получить оптимальный план, либо установить, что ЗЛП не имеет решения.  [c.48]

Задачи стохастического программирования представляют собой условные экстремальные задачи. Поэтому подход к стохастической аппроксимации как к системе итеративных методов стохастического программирования требует обобщения процедур, разработанных для без-1 условных экстремальных задач, на случай задач с ограничениями. В [9] этот вопрос обходится, поскольку здесь с самого начала предполагается, что рассматриваемые итеративные алгоритмы не выводят траектории процесса из некоторого ограниченного замкнутого множества. В [304] предложены алгоритмы стохастической аппроксимации для условных экстремальных задач, в которых ограничения представляют собой равенства, содержащие функции регрессии некоторых величин, зависящих от искомого набора параметров. Алгоритмы используют классические схемы стохастической аппроксимации применительно к функции Лаграижа условной экстремальной задачи. Однако условия сходимости в [304] не сформулированы.  [c.357]

Для построения схем стохастической аппроксимации с повышенной скоростью сходимости значительный интерес представляет работа Стратоновича [260]. Здесь исследованы возможности построения итеративных алгоритмов для отыскания корня уравнения регрессии по наблюдениям за реализациями случайной величины при различных значениях параметра. Рассматривается разложение функции регрессии в ряд Тейлора. Процедура Роббинса — Монро соответствует в этой схеме случаю, когда в разложении Тейлора сохраняются лишь линейные члены. Если в этой схеме удерживать также члены более высокого порядка, можно получить итеративные алгоритмы, скорость сходимости которых выше, чем в процедуре Роббинса — Монро.  [c.368]

При выпуклых задачах 7.1 и единственном корне векторного уравнения f(x)=z, Tjz<=Z, могут быть построены итеративные схемы, объединяющие алгоритмы обоих этапов итеративный алгоритм решения задачи (7.1) выпуклого программирования и многомерную процедуру Роббинса — Монро решения системы уравнений.  [c.373]

Однако стандартный анализ главных компонент дает решение в явном виде, через последовательность матричных операций, а не итерационно, как в случае нейросетевых алгоритмов. Так что при отсутствии высокопараллельных нейроускорителей на практике удобнее пользоваться матричными методами, а не обучать нейросети. Есть ли тогда практический смысл в изложенных выше итеративных нейросетевых алгоритмах  [c.76]

ИТЕРАЦИЯ [iteration] — повторное применение математической операции (с измененными данными) при решении вычислительных задач для постепенного приближения к нужному результату (это видно на блок-схеме вычисления среднего арифметического — рис. А.2 к ст. "Алгоритм"). Итеративные расчеты на ЭВМ характерны для решения экономических (особенно оптимизационных и балансовых) задач. Чем меньше требуется пересчетов, тем быстрее сходится алгоритм. См. Итеративные методы решения оптимизационных задач.  [c.137]

Для решения задачи предлагается сходящийся итеративный метод. На каждом шаге метода решается конечно-мерная задача квадратичного программирования для выбора возможного направления, вдоль которого можно улучшить значение целевого функционала fo(x), и выбирается рациональная величина шага. В алгоритме используется так называемый antizigzaging прием, исключающий заедание вычислительного процесса и обеспечивающий точность вычислений. Предлагаемый метод представляет собой естественное обобщение метода возможных направлений, разработанного в [126] для решения задач линейного и выпуклого программирования.  [c.123]

Множественность путей достижения цели проектирования требует рассмотрения не одного, а многих вариантов технического решения, к каждому из которых применяются определенные методы анализа и оценки. Повторное применение методов или алгоритмов проектирования характеризует еще одну его особенность, названную итеративностью.  [c.51]

Дикин И.И., Зоркальцев В.И. Итеративное решение задач математического программирования (алгоритмы метода внутренних точек). -Новосибирск Наука, 1988.  [c.364]

В уравнении (6.10) неизвестным является коэффициент k, который может быть идентифицирован как коэффициент, определяющий скорость движения в направлении, обратном градиенту. Для определения значения коэффициента k используется итеративная процедура, описанная в работе В. С. Лукинского, Е. И. Зайцева, В. И. Бережного Модели и алгоритмы управления обслуживанием и ремонтом автотранспортных средств . Заметим, что адаптация производится либо по последнему эмпирическому значению, либо по предыдущему производному значению.  [c.163]

Описанные выше свойства пары двойственных задач линейного программирования являются идейной основой двойственного симплекс-метода, который представляет собой итеративный процесс целенаправленного перебора сопряженных (двойственно допустимых) базисов и соответствующих псевдопланов. В этом и заключено его принципиальное отличие от обычного симплекс-метода, в котором последовательно рассматриваются допустимые базисные планы прямой задачи1. Нетрудно догадаться, что при определенной структуре задачи путь, предлагаемый двойственным алгоритмом, может оказаться более коротким.  [c.71]

Поскольку в начальном псевдоплане имеется только одна отрицательная компонента (- 6с, ), то из базиса должен быть выведен соответствующий ей вектор an+l. Далее, следуя рекомендациям алгоритма двойственного симплекс-метода, находим оптимальный план. Если он не является целочисленным, то описанные действия итеративно повторяются.  [c.147]

Алгоритм является итеративным, и на каждой итерации происходит работа с некоторым подмножеством множества D. Назовем это подмножество текущим и будем обозначать его как D(q), где q — индекс итерации. Перед началом первой итерации в качестве текущего множества выбирается все множество D (D(0=D), и для него некоторым способом вычисляется значение верхней оценки для целевой функции maxf(x)< (D(l)). Стандартная итерация алгоритма состоит из следующих этапов  [c.150]

При значительных размерах задачи Ю. Ю. Фипксль-штейн предложил специальный метод ее решения, основанный на многократном применении алгоритма транспортной задачи1. Метод этот итеративный и в настоящем пособии не рассматривается.  [c.248]

Только в гл. 4 мы, наконец, точно определяем, что такое взаимодействие это особый способ взаимосвязи двух процессов, один из которых передает сообщение, а другой в то же время его принимает, Это взаимодействие синхронизовано, Если канал требует буферизации, это достигается вставкой буферного процесса между двумя процессами. Важной целью в проектировании параллельных систем является повышение скорости вычислений при решении практических задач. Это иллюстрируется на примере построения некоторых простых систолических (или итеративных) матричных алгоритмов, Простым примером является транспортер, представляющий собой последовательность процессов, в которой каждый процесс принимает сообщения только у своего предшественника и передает только своему преемнику. Транспортеры полезны при реализации протоколов однонаправленной связи, представленных в виде иерархии слоев. Наконец, важное понятие абстрактного типа данных моделируется с помощью подчиненного процесса, каждое вхождение которого взаимодействует только с тем блоком, в котором он описан,  [c.9]

Экономико-математический словарь Изд.5 (2003) -- [ c.17 ]