Частные модели класса Лм

Частные модели класса Лм  [c.267]

Многоэтапная линейная стохастическая Л1-модель с условными вероятностными ограничениями — частная задача класса (2.1) — (2.3) гл. 9 — может быть записана в виде  [c.234]


Прежде всего нужно отметить, что переход к этим более широким моделям связан не просто с расширением уже имеющихся частных моделей, но и со многими своеобразными вопросами, характерными для моделей народнохозяйственного планирования. Построение и исследование этих моделей возможны лишь на базе сочетания традиционных методов экономического анализа, возникших на основе экономической теории и уже имеющегося богатого опыта, статистических методов и математико-экономического моделирования, В связи с тем, что рассматриваемый класс моделей охватывает сложные экономические комплексы, деятельность которых далеко не детерминирована, роль статистических методов значительно возрастает по сравнению с предшествующими задачами.  [c.79]

Функционал 7, является частным случаем функционалов метода обобщенного среднего, которые также являются выпуклыми и, следовательно, удовлетворяют условию сходимости алгоритма. Согласно этому методу, в каждом классе строится модель класса и максимизируется суммарная мера близости от объектов до соответствующих моделей классов.  [c.64]


Приведенная математическая модель формирования производственной программы относится к классу моделей целочисленного линейного программирования с векторным критерием оптимальности (с упорядоченными по важности компонентами — частными критериями). Она имеет сравнительно небольшое число общих ограничений (не считая ограничения сверху на переменные). Это позволяет эффективно применить к ней точные методы целочисленного программирования. Ввиду того, что значения отличных от нуля переменных объемов производства изделий в большинстве случаев значительно превосходят единицу, для нахождения приближенно оптимального плана модели можно применять методы линейного программирования с последующим округлением значений нецелочисленных переменных в оптимальном плане. Для непосредственного применения стандартных алгоритмов оптимизации общую модель удобнее преобразовать в рабочую модель.  [c.326]

В предыдущих параграфах рассмотрены частные стохастические задачи с вероятностными ограничениями, порожденные моделями линейного программирования. Специфика стохастического характера условий позволила в каждом из рассмотренных случаев построить эквивалентную детерминированную задачу. Ниже приводится достаточно общий прием построения детерминированного эквивалента для широкого класса задач стохастического программирования, решение которых определяется среди детерминированных векторов.  [c.74]

Среди всех операций проектирования можно выделить широкий класс алгоритмических операций, для которых уже созданы или могут быть созданы формальные модели. К ним относятся все расчеты, выполненные по стандартам расчет деталей машины на прочность, надежность, а также кинематический и динамический анализ. Сюда же можно отнести и расчеты по частным методикам расчет корпуса судна, усилий резания землеройными машинами и т. д. Однако алгоритмические операции и процедуры составляют лишь часть процесса проектирования. Кроме них. в нем применяются и эвристические операции и процедуры, отличающиеся от алгоритмических неопределенностью в постановке задачи, методе решения и в окончательном результате, К таким процедурам можно отнести, например, поиск вариантов технических решений и выбор из них оптимального. Эвристические процедуры чаще выполняются человеком, но могут быть реализованы и на ЭВМ пс так называемым эвристическим программам.  [c.24]


Второй тип моделей — модели рыночного равновесия — используется при исследовании взаимоотношений между экономическими агентами. Обычно предполагается, что система находится в равновесии, если взаимодействующие силы сбалансированы и отсутствуют внутренние импульсы к нарушению баланса. Модели рыночного равновесия — частный случай более широкого и общего класса моделей экономического взаимодействия рыночных агентов. Они позволяют исследовать не только равновесные, но и неравновесные состояния экономики. Однако анализ неравновесных состояний обычно не включается в стандартные курсы микроэкономики.  [c.37]

Рассмотрим, как применяются модели. Для того чтобы найти шляпы в сцене, мы описываем, что собой представляет шляпа. Это описание и будет моделью изображения шляпы. Модель эта обладает большей общностью, чем какой-либо частный рисунок шляпы. Она представляет собой класс предметов, например вообще рисунки шляп или по крайней мере многие из изображений шляп. В идеале модель — это набор ограничений, которым подчиняются изображения шляп. Этот набор определяет критерий, с помощью которого можно определить, принадлежит ли данный предмет к классу шляп или не принадлежит.  [c.186]

Этот рисунок относится к языку FDL-1, т. е. к нотации, с помощью которой описываются сцены и модели, образованные линиями [4J. Модель представляет собой класс предметов. Если задана модель (такая, как 3) и предмет (такой, как I) или сцена, программа TD [4] определит, соответствует ли предмет модели, или он принадлежит к классу, который описывает эту модель, или же это частный случай модели. В этой статье мы следуем по тому же пути, хотя и не употребляем FDL-1-обозначения. Сцена. Описание треугольника EFD есть [Е (F >) F (ED) D (EF) (1), где (10,6), т. е. Я, задается координатами (10,6), F (12,5), D(ll,3). В этой же сцене описание треугольника KG есть [G (ВС) В AKG) К. (ВЯ) Я (/С/С) С (НО) (2), где G (5, 7), В (3. 5). К (2, 4), Я (5, 4), С (6, 4). Каждое из этих описаний отражает только один предмет, например последнее описание представляет треугольник K.Q на рисунке и ничего больше, кроме этого треугольника, Каждое описание полностью описывает предмет, так что можно восстановить предмет в пространстве в том же положении, в той же ориентации, при тех же  [c.187]

Жесткая модель. Модель может представлять класс объектов, полученный перемещением частного предмета. Тем самым  [c.187]

Модель проблемной среды обычно включает как информацию, общую для всего класса задач, так и частную, справедливую только для конкретной решаемой задачи.  [c.368]

Сложившейся в 90-х годах российской модели рыночной экономики присущи черты переходной системы, а также характеристики, унаследованные из исторического прошлого. Так, государство по-прежнему оказывает сильное влияние на хозяйственные процессы. Сохраняется тесная связь политической власти и собственности. Крайне неустойчивыми остаются права собственности, которые подвергаются частому перераспределению. Сравнительно небольшое распространение получило малое и среднее частное предпринимательство, медленно идет формирование среднего класса как влиятельной общественной силы. Серьезной проблемой стала высокая криминализация экономической жизни, которая отчасти обусловлена общими для переходных состояний экономики факторами (перераспределение собственности, рост коррупции в результате ослабления государственной власти).  [c.106]

В этот класс критериев входят как частные случаи функционал средневзвешенной дисперсии, описанный выше функционалы экстремальной группировки [2] (в этом случае модели - факторы групп (обобщенные параметры)) функционал диагонализации матрицы связи [3] (в этом случае множества X и Л совпадают с множеством строк матрицы, и элементы матрицы играют роль меры близости) функционалы классификации в бинарных, номинальных и ранговых шкалах  [c.64]

В настоящей главе обсуждаются методы построения решающих правил для одноэтапных задач стохастического программирования, а для отдельных моделей приводятся и явные выражения для решающих правил. В 1 рассматриваются частные модели первого класса, в которых предполагается, что решающие правила — линейные функции случайных составляющих условий задачи. Вычисление параметров решающих правил сводится к задачам выпуклого программирования. Параграф 2 посвящен изучению. М-модели с вероятностным ограничением общего вида. Относительно решающего правила л (со) не делается никаких предположений, кроме того, что л (со)—измеримая вектор-функция на множестве X произвольной структуры, на котором она определена. В 3 метод построения решающих правил из предыдущего параграфа обобщается на М-модель с конечнозначным ограничением — с условием, ограничивающим математическое ожидание случайной функции от х, принимающей конечное число значений. Таким условием может быть аппроксимировано любое статистическое ограничение. В 4 построены решающие правила (точнее, решающие таблицы) дляч Р-мо-дели с вероятностными ограничениями общего вида. В 5 рассматривается стохастическая задача со смешанными ограничениями. Эта модель отличается от задачи 4 дополнительными условиями, которые могут существенно изменить структуру решения. В 6—8 построены решающие правила для одноэтапных задач стохастического программирования со статистическими ограничениями достаточно общего вида. Модель, изученная в 6, представляет собой стохастический аналог общей задачи линейного программирования с двухсторонними ограничениями. Модель из 7 — стохастический аналог общей задачи квадратичного программирования. Модель, исследованная в 8, является стохастическим аналогом частной задачи выпуклого программирования с квадратичной целевой функцией и квадратичными ограничениями. Заключительный параграф главы ( 9) посвящен итеративным методам построения решающих правил одноэтапных задач стохастического программирования.  [c.84]

На этапе идентификации производится выбор некоторой частной модели из всего класса ARMA, т.е. выбор значений р и q. Используемые при этом процедуры являются не вполне точными, что может при последующем анализе привести к выводу о непригодности идентифицированной модели и необходимости замены ее альтернативной моделью. На этом же этапе делаются предварительные грубые оценки коэффициентов а, аг,. .., ар, Ь, Ъг,. ..,bq идентифицированной модели.  [c.31]

Компромисс между сложностью регрессионной модели и точностью ее оценивания1. Из общих результатов математической статистики, относящихся к анализу точности оценивания исследуемой модели при ограниченных объемах выборки, следует, что с увеличением сложности модели (например, размерности неизвестного векторного параметра в, участвующего в ее уравнении) точность оценивания падает. Мы с этим уже сталкивались, например, при анализе точности оценивания частных и множественных коэффициентов корреляции (см. п. 1.2.3, 1.3.3, а также формулы (1.34), (1.34 )). Об этом же свидетельствуют и результаты, приведенные в гл. 11. Это означает, в частности, что в ситуациях, когда исследователь располагает лишь ограниченной исходной выборочной информацией, он вынужден искать компромисс между степенью общности привлекаемого класса допустимых решений F и точностью оценивания, которой возможно при этом добиться.  [c.190]

В последние годы интенсивно исследовались термодинамические ограничения на уравнения состояния, вытекающие из постулата Колемана - Нолла (см. обзор в книге Дэя [84]). Можно показать, что постулат Колемана - Нолла не эквивалентен условию непротиворечивости, однако для частных классов рассматривавшихся моделей с памятью оба утверждения приводят, по-видимому, к одинаковым ограничениям.  [c.428]

В реальной объектной модели работают только с реальными объектами. Обычно в первом варианте реальной модели каждый реальный объект соответствует в точности одному объекту идеальной модели. В дальнейшем количество реальных объектов растет за счет добавления новых или расщепления существующих объектов. При реализации реальному объекту будет соответствовать один или несколько классов. Целесообразно один из классов определить как общий (publi ), а другие - частными (private). Общий класс, помимо других функций, обеспечивает интерфейс с окружающим миром, а с помощью остальных описывается реализация реального объекта. В приватных классах можно, например, описать детали работы в распределенной архитектуре или способы периодического сброса теку-  [c.208]

Следует заметить, что схема идентификации, изображенная на рис.4, в зависимости от критерия и используемых моделей может меняться и принимать, например, структуру, изображенную на рис.1 или на рис.3. Частные случаи данной схемы рассмотрены также в работе [3]. Частными случаями рассмотренного метода являются традиционные методы статистической линеаризации [2,10] и дисперсионной линеаризации [3,13,14]. Действительно, В и С - тождественные операторы, А -линейный интегральный оператор. Тогда уравнения (33) и (34) совпадают с уравнениями классического метода статлинеаризации. Если В - тождественный оператор, А - линейный оператор, С - оператор условного математического ожидания, то из предложенного метода следует метод дисперсионной статистической линеаризации [3,13,14]. Следует иметь в виду, что в последнем случае мы получаем множество различных моделей. Это множество зависит от того, какие классы моделей  [c.106]

Смотреть страницы где упоминается термин Частные модели класса Лм

: [c.234]    [c.384]    [c.209]    [c.41]    [c.91]    [c.392]