Алгоритм случайного поиска в подпространствах
Рекомендуемый алгоритм случайного поиска в подпространствах можно записать в виде следующих рекуррентных выражений:
;
при .
Здесь h — число последовательно неудачных шагов поиска; определяется по формуле:
где a—максимальная величина рабочего шага поиска;
— вектор случайных чисел; — векторы приращений на (i-1)-, i-, (i+1)-м шагах поиска; — векторы, описанные по формуле (1); — значения критериев качества после осуществления на (i-1)-, i-, (i+1)-го шагов поиска.
Вектор случайных чисел
где — случайное равномерно распределенное число, выбираемое из интервала [-1, 1]; k и L—случайные целые числа, распределенные на отрезке [1, n] и упорядоченные соотношением kL.
Имеются и другие модификации этого алгоритма, которые могут оказаться более эффективными.
- Указатели
- Содержание
- Глава 5. Экспертные системы 69
- Лекция 1-2: Базовые понятия ии
- Цель преподавания дисциплины
- Терминология
- Философские аспекты проблемы систем ии (возможность существования, безопасность, полезность).
- История развития систем ии.
- Лекция 3: Архитектура и основные составные части систем ии
- Различные подходы к построению систем ии
- Вспомогательные системы нижнего уровня (распознавание образов зрительных и звуковых, идентификация, моделирование, жесткое программирование) и их место в системах ии
- Лекции 4-7: Системы распознавания образов (идентификации)
- Понятие образа
- Проблема обучения распознаванию образов (оро)
- Геометрический и структурный подходы.
- Гипотеза компактности
- Обучение и самообучение. Адаптация и обучение
- Перцептроны
- Нейронные сети История исследований в области нейронных сетей
- Модель нейронной сети с обратным распространением ошибки (back propagation)
- Нейронные сети: обучение без учителя
- Нейронные сети Хопфилда и Хэмминга
- Метод потенциальных функций
- Метод группового учета аргументов мгуа Метод наименьших квадратов
- Общая схема построения алгоритмов метода группового учета аргументов (мгуа).
- Алгоритм с ковариациями и с квадратичными описаниями.
- Метод предельных упрощений (мпу)
- Коллективы решающих правил
- Методы и алгоритмы анализа структуры многомерных данных Кластерный анализ
- Иерархическое группирование
- Неформальные процедуры
- Алгоритмические модели
- Продукционные модели
- Режим возвратов
- Логический вывод
- Зависимость продукций
- Продукционные системы с исключениями
- Язык Рефал
- Глава 5. Экспертные системы
- Экспертные системы, базовые понятия
- Экспертные системы, методика построения
- Э тап идентификации
- Этап концептуализации
- Этап формализации
- Этап выполнения
- Этап тестирования
- Этап опытной эксплуатации
- Экспертные системы, параллельные и последовательные решения
- Пример эс, основанной на правилах логического вывода и действующую в обратном порядке
- Часть 1.
- Часть 2.
- Часть 3.
- Часть 4.
- Часть 5.
- Лекции 14-16. Машинная эволюция
- Метод перебора, как наиболее универсальный метод поиска решений. Методы ускорения перебора.
- Эволюция
- Генетический алгоритм (га)
- Как создать хромосомы?
- Как работает генетический алгоритм?
- Эволюционное (генетическое) программирование
- Автоматический синтез технических решений
- Поиск оптимальных структур
- Алгоритм поиска глобального экстремума
- Алгоритм конкурирующих точек
- Алгоритм случайного поиска в подпространствах
- Некоторые замечания относительно использования га
- Автоматизированный синтез физических принципов действия Фонд физико-технических эффектов
- Синтез физических принципов действия по заданной физической операции
- Заключительные замечания
- Слабосвязанный мир
- Разделяй и властвуй