Прямой поиск

Сначала рассматривают вариант IV, поскольку тогда решается принципиальный вопрос об использовании математической модели при автоматической оптимизации. В данном случае могут использоваться как активные, так и пассивные методы поиска оптимума на объекте. Известно, что химико-технологические процессы, — как объекты управления — (в том числе и рассмотренные два реактора синтеза аммиака) обладают такими динамическими свойствами по сравнению со статическими свойствами возмущающих воздействий, что пассивные методы поиска оптимума фактически не применимы. Остаются активные методы поиска (экстремальные системы). Ниже будет показано, что и эти методы прямого поиска на объекте не дают нужного экономического эффекта из-за динамических свойств объекта управления и статических свойств возмущающих воздействий. [c.369]

Метод прямого поиска с возвратом [c.536]

По сравнению с рассмотренным выше методом прямого поиска с возвратом, для реализации которого требуется вычисление градиента только для целевой функции ири выполнении одного шага спуска, метод проектирования вектора-градиента зачастую оказывается все же более быстрым, поскольку в данном случае движение к оптимуму происходит вблизи от гиперповерхности ограничений и необходимость возврата на нее возникает значительно реже. [c.539]

Прн использовании метода прямого поиска с возвратом, когда оптимум находится внутри допусти.мой области X и начальная точка спуска выбрана удачно (рис. 1Х-31, точка нарушений [c.541]

Рнс. 1Х-31. Прямой поиск с возвратом для задач с ограничениями типа неравенств. [c.542]

Этот метод должен быть эффективным, однако автору неизвестно работ, в которых проводилось бы достаточно надежное сравнение случайного поиска с градиентными методами. В целом методы прямого поиска в задачах химической кинетики не нашли столь широкого применения как градиентные методы. [c.222]

Поисковые методы, и соответственно методы нахождения равновесных составов по системам типа (П1.2), можно разделить на две основных группы 1) прямой поиск, когда при помощи некоторой итерационной процедуры ищут непосредственно решение системы (III.2) 2) непрямой поиск, когда используют хорошо разработанные и достаточно универсальные методы нахождения экстремума функции многих переменных Ф при этом нужно сформулировать такую функцию составов Ф(Л/ь. .., Л р), чтобы равновесный состав N1,.... Ир определял экстремум этой функции. [c.106]

Методы прямого поиска при практической реализации оказываются достаточно сложными. Например, для системы алгебраических уравнений [c.106]

Другим методом решения является прямой поиск экстремума функции (3.83) при ограничении (3.84) или безусловного экстремума функции Лагранжа 11з( ,Х). После некоторых алгебраических преобразований можно задачу решить методом геометрического программирования (см. раздел 3.3). [c.190]

Выбрав промежуточные температуры 1 и 1-2 как целесообразные оптимизирующие свободные переменные, далее методом логического прямого поиска находят оптимальные условия. При этом выбирают начальные значения свободных переменных для каждой ступени. [c.305]

Наличие ограничений на оптимизируемые параметры приводит к некоторому усложнению использования перечисленных выше методов. Наличие ограничений не сказывается на использовании для поиска оптимума методов слепого и случайного поиска, уменьшается только допустимая область параметров. Если оптимум функции находится внутри допустимой области изменения независимых переменных то задачу иногда можно решить перечисленными выше методами поиска. Если же оптимум расположен на границе области у, то для его отыскания приходится применять специальные методы [24] метод прямого поиска с возвратом, метод проектирования вектора градиента, метод обобщенного критерия. [c.363]

В терминах алгоритмов поиска экстремумов методу Зейделя решения системы (24) соответствуют методы прямого поиска [66, с. 157], в которых оптимизация осуществляется поочередно по каждой независимой переменной. [c.31]

По способу проведения рассуждений при выводе, т. е. способу направления поиска решения НФЗ (по способу применения ПП) выделяют два вида ПС [30) прямой поиск (от данных к цели ) и обратный поиск от цели к данным ) (см. разд. 2.5). [c.173]

Чем больше известно о целевой функции, тем более эффективные алгоритмы можно использовать для оптимизации. Например, если известны первые и вторые производные функции, то оптимум находится сравнительно просто. Однако информация о поведении целевой функции, содержащаяся в ее производных, является достоверной только в случае непрерывных и дифференцируемых функций. При оптимизации ХТС это реализуется не всегда. В таких случаях используются методы оптимизации, в которых поиск организуют по методу сравнения значения целевой функции. К этим методам относятся методы стохастического н прямого поиска. В них не используются производные критерия оптимальности. [c.202]

Методы детерминированного прямого поиска. Методы оптимизации этого класса позволяют определять направление поиска непосредственно по одному или нескольким значениям целевой функции. Самые простые алгоритмы этих методов — прямое обобщение алгоритмов одномерного поиска на многомерный случай. Например, в основе метода покоординатного спуска лежит последовательная минимизация целевой функции по каждой координатной оси с помощью одного из методов, изложенных в разд. У.3.1. [c.204]

При решении проблем многомерного поиска целесообразно сначала применять стохастические методы для локализации глобального оптимума. После этого вблизи решения полезно перейти к методу прямого поиска или к методам, использующим производные критерия оптимальности. От одного метода к другому можно переходить в полуавтоматическом режиме, если используются диалоговые вычислительные системы. [c.234]

Программные реализации методов прямого поиска даны в [189, 192). [c.165]

Нелокальные методы. Градиентные методы и методы прямого поиска обеспечивают сходимость к одному из минимумов поверхности минимизируемого функционала, однако сравнительно часто возникает ситуация, когда таких минимумов оказывается несколько или поверхность имеет сильно выраженный "овражный" характер. В этом случае минимизация может быть осуществлена методом оврагов [36, 38] или методом случайного поиска [56, 162]. [c.165]

Очевидно, задача всегда может быть решена методом прямого поиска, т. е. построением функции отклика по точкам, соответствующим более или менее полному перебору разных уровней всех факторов. [c.116]

Используют прямой поиск такого набора констант, который обеспечивает минимум дисперсии. Этот самый универсальный метод является в то же время наиболее трудоемким и поэтому обычно реализуется на ЭВМ. [c.356]

По сравнению с рассмотренным выше методом прямого поиска с возвратом, для реализации которого требуется вычисление градиента только для целевой функции при выполнении одного шага спуска, метод проектирования вектора-градиента зачастую оказывается все же более быстрым, поскольку в данном случае движение к [c.537]

При использовании метода прямого поиска с возвратом, когда оптимум находится внутри допустимой области X и начальная точка спуска выбрана удачно (рис. IX-31, точка 0)), нарушений ограничений в процессе спуска может не быть вообще. Если же [c.540]

Интересно сравнить метод расчета оптимального режима при помош и прямого поиска (первый метод) и разностный (второй) метод. Конечно, трудно найти абсолютный критерий, который учитывал бы все особенности методов. Мы используем здесь следующие соображения. [c.33]

Основная особенность рассматриваемой группы методов — отсутствие вычисления градиента критерия оптимальности. Ряд методов прямого поиска базируется на последовательном применении одномерного поиска по переменным или по другим задаваемым направлениям, что облегчает их алгоритмизацию и применение. [c.385]

Этот метод является методом прямого поиска. Пусть требуется для заданной функции F x) определить минимум на интервале хе[а, Ь]. В методе золотого сечения на каждом шаге итерационного процесса поиска отрезок [а, Ь], называемый интервалом неопределенности, делится на две неравных части по правилу золотого сечения . Для определения точек деления интервала неопределенности используют дроби Фибоначчи [c.396]

Производные ф относительно мольных долей жидкой фазы совместно с уравнением (6.131) составляют систему уравнений, из которых X и состав могут быть найдены, например, по методике Ньютона — Рафсона либо подобной ей, или могут быть установлены прямым поиском при минимальном значении ф. [c.345]

Минимизация прямого поиска [c.370]

Что же касается различий общего содержания газа и его состава в разных областях, например. Охотского моря, то они, по-видимому, связаны с неодинаковыми условиями осадконакопления в этих областях и поэтому могут служить весьма важным материалом для выявления условий формирования современных отложений. Однако при интерпретащш результатов газовой съемки газы полностью абстрагируются от этих отложений и все изменения в их количестве и качестве объясняются величиной диффузионного потока снизу, привносящего газы в верхние слои, а величина диффузионного потока УВ - наличием залежей УВ или нефтегазо-производяших отложений на глубине, измеряемой тысячами метров. Применение этого геохимического метода для прямых поисков нефтяных и газовых залежей, конечно, абсолютно не оправдано, но тем не менее газовая съемка в водоемах различного типа проводится в значительных масштабах и благодаря этому осуществляется изучение газовой составляющей современных осадков. [c.40]

Методы прямого поиска. Методы минимизации, не требующие вычисления производных по параметрам оптимизации, получили название методов прямого поиска. Среди них лучше всего зарекомендовали себя [189] методы Розенброка [165, 388], Дэвиса—Свена—Кэмпи (см. [7, 189]) и Пауэлла [374]. [c.164]

Использование хроматографических индексов удерживания в качестве фильтра предварительного отбора, который может быть проведен намного быстрее чем полное сравнение спект ров позволяет отбросить на первом этапе большую часть спектров, сильно отличающихся от анализируемого Преимуще ствами предварительного отбора являются увеличение скорости поиска и возможность более надежной идентификации отфильт рованных спектров кандидатов Однако если условия предва рительного отбора выбрать слишком жесткими, то может слу читься, что спектр истинного соединения или, что более вероят но спектры родственных соединений будут исключены из списка спектров кандидатов Это условие менее жестко в слу чае обратного поиска Например при обратном поиске можно использовать ограничения ио временам удерживания а при прямом поиске — нет Однако и в случае прямого поиска полу ченные результаты могут затем интерпретироваться с использо ванием хроматографических или других данных Предваритель ный поиск можно также проводить путем сравнения небольшо го количества основных пиков, молекулярных масс и других характеристик [c.115]

В качестве метода поиска целесообразно использовать достаточно простой в вычислительном отнощении и эффективный (если поиск больщую часть времени идет вдали от гиперповерхности ограничений) метод прямого поиска с возвратом [293]. При этом внутри допустимой области поиск ведут методом наи-скорейщего спуска, согласно алгоритму [c.150]

В запись входит набор полей, причем любое из них, содержащее данные, может быть объявлено дескриптором, т.е. по его значению можно вести прямой поиск. Значендя всех дескрипторных полей сортируют и записывают в файл инвертированных списков, что обеспечивает быстрый поиск. Поля могут быть трех типов а-простое поле б -простая одномерная группа в- повторяющаяся группа. Одномерная и повторяющаяся группы должны состоять из простых полей, которые и содержат данные. [c.19]

Как и в большинстве других областей применения спектральных методов, в аналитической химии проводится большая исследовательская работа по привлечению компьютеров для решения таких задач, как а) преобразование спектров в более компактную форму для последующего их хранения в компьЮ терных системах, б) разработка методов поиска, в) создание стандартных каталогов эталонных спектров в виде, пригодном для ввода в компьютер, и г) разработка компьютерных методов обращения с большими массивами данных. Наиболее важной представляется разработка методов быстрого поиска, уменьшение требований к объему памяти и возможность легкого распространения каталогов эталонных спектров среди заинтересованных лабораторий. В работах [80, 81] обсуждается использование масс-спектрометрических данных, представленных в двоичном коде, в файловых поисковых системах, предназначенных для идентификации спектров. Основное достоинство этого подхода — значительная экономия памяти и уменьшение времени поиска. Методы поиска в масс-спектрометрии можно разделить на две большие группы методы прямого и обратного поиска. В первом случае обрабатываемый объект сравнивается с элементами каталога, а во втором, наоборот, элементы каталога сравниваются с объектом, который необходимо опознать. Разработаны различные методы сравнения масс-спектра неизвестного соединения с эталонными данными каталога. В статье [82] предложен следующий подход обрабатываемый масс-спектр разбивается на интервалы длиной 14 а.е. м, в каждом из которых выделяется по два самых интенсивных пика, и преобразованный спектр сопоставляется эталонными спектрами, находящимися в каталоге (также предварительно подвергнутыми такой же процедуре сжатия). Существуют и другие методики сжатия спектров, учитывающие шесть, восемь или десять наиболее интенсивных пиков [83]. Во всех этих процедурах сравнение спектров проводится в режиме прямого поиска. В литературе [84—86] описана система, называемая Probability Mat hed Sear h, которая отличается от других систем поиска в двух отношениях. Первое отличие состоит в том, что сжатие спектра проводится с помощью процедуры, которая приписывает фрагментам, характеризующим структуру молекулы, еще и определенное значение параметра уникальности, причем чем чаще такой фрагмент встречается в эталонных спектрах, тем меньше значение этого параметра. Поиск по каталогу ведется с учетом всего десяти пиков спект- [c.121]

Справочник химика 21

Химия и химическая технология