Модели адаптивные стохастические

В системе были впервые опробованы алгоритмы адаптивного управления РРБ, описанные в главе IV и построенные на базе стохастической математической модели. [c.178]

Методы адаптивного стохастического управления. Алгоритмы адаптивного стохастического управления делятся на активно-адаптивные и пассивно-адаптивные. Остановимся кратко на этих понятиях. Для стохастической системы управления характерно наличие в модели объекта случайных ненаблюдае.чых переменных состояния, неизмеряемых параметров объекта, которые характеризуются вероятностными распределениями [см. например, величины 6, в выражении (1V-2)]. В процессе управления эти вероятностные характеристики уточняются, что уменьшает неопределенность наших знаний об объекте управления. Системы, в которых темп уменьшения неопределенности знаний об объекте зависит от выбора стратегии управления называют активно-адаптивным. Если темп не зависит от стратегии управления, то мы имеем дело с пасснвно-адаптивнымн системами. [c.127]

Неопределенность наших априорных знаний об объекте управления, а также случайные ненаблюдаемые возмущения, приводящие к отклонениям в работе объекта, заставляют прибегать к систематическому уточнению математической модели процесса (адаптация модели к изменяющимся внешним условиям). Та им образом поставленную задачу следует решать с помощью стохастических адаптивных методов. [c.122]

Для того чтобы результатами имитационного моделирования можно было воспользоваться, необходимо иметь гарантию того, что модель идентична объекту. Для этого, во-первых, модели должны быть гибкими , т. е. иметь 1-2 изменяемых параметра, с помощью которых можно обеспечить совпадения реальных и модельных значений и, во-вторых, в состав математического обеспечения должны входить программы для решения задачи оптимальной идентификации, часто называемой при этом адаптивной. Спектр используемых для этих целей алгоритмов довольно широк от обычных. алгоритмов поиска корней системы нелинейных уравнений до различных адаптивных алгоритмов стохастической аппроксимации [ПО] (разумеется, такие задачи приходится решать и в системах реального времени, и это вновь подтверждает их связь с имитационным моделированием). [c.210]

В зависимости от структуры модели можно подразделять на детерминированные, стохастические и адаптивные [90]. В первых используют классический аналитический аппарат, применяемый для описания процессов, протекающих в объектах. Зависимости между параметрами в этом случае определены жестко , однозначно [4, 91]. [c.34]

В зависимости от объема предоставленной исходной информации, от требований, предъявляемых к точности расчета по модели, от ограничений на затраты машинного времени, объема занимаемой . памяти ЦВМ, организации и периодичности расчетов в математической модели может быть усилена либо стохастическая, либо детерминированная часть. Возможно применение только стохастической адаптивной модели, приведенной на с. 43 сл. Про-гра(мма расчетов параметров по математической модели, составленная на алгоритмическом языке Фортран-4 приведена в табл. 17 [13]. Примеры расчетов даны в табл. П-15. Исходная информация для расчетов взята из таблиц 18—27 [13]. Погрешность расчета концентраций растворенных веществ в анолите и католите по математической модели не превышает б—7% от измеренных значений. Примеры расчета других параметров процесса и его погрешности даны при получении соответствующих зависимостей для этой цели (см. с. 47—61). [c.73]

Модели можно подразделять на стохастические, детерминированные и адаптивные. При использовании стохастических зависимостей для математического описания процесса необходимо предварительно получить вероятностные характеристики и функ-ШП1 распределения. Для этого необходимо обработать большое число результатов предварительных испытаний и надежную информацию. В связи с тем, что статистические данные обычно получаются при определенных входных условиях, рассчитанные по этим данным вероятности и функции распределения имеют условный характер. Если условия изменяются, то это надо учитывать и проводить соответствующие перерасчеты. Для характеристики детерминированных моделей используют классический аналитико-математический аппарат, применяемый для 01шсания процессов, протекающих в рассматриваемых объектах. Адаптивные математические модели применяют в тех случаях, когда в системе имеется параметрическая неопределенность. Эта неопределенность уменьп]ается, если есть надежная информация о рассматриваемом процессе. [c.150]

В адаптивных системах, обсуждаемых в разд. 10 гл. 9, на основе новой информации периодически вновь оценивается плотность распределения вероятностей (Q —С ) , что позволяет получить новую и существенно улучшенную оценку. Основное отличие стохастического варианта от адаптивного, которые оба описывают модели, [c.322]

Другим важным стохастическим аспектом является то, что, признавая функциональную зависимость вероятности от стадии, решения или начального состояния, мы не знаем точного вида этой зависимости. Эту трудность можно преодолеть, используя адаптивную модель, в которой вид этой функциональной зависимости выясняется по ходу процесса. [c.450]

Как указано в разд. 11, адаптивный процесс является частным случаем стохастического процесса, в котором для получения более точного прогноза используется информация, которую получают в ]У-стадийном процессе. Адаптивная модель пытается дать себе новую оценку по мере того, как раскрываются и изменяются неопределенности, наблюдающиеся в процессе, тогда как обычный стохастический процесс покорно подчиняется своей судьбе. [c.454]

При использовании стохастических зависимостей для математического описания процесса необходимо предварительно получить вероятностные характеристики, функции распределения. Для этого надо обработать большое число результатов предварительных испытаний или априорную информацию. Так как статистические данные получены при определенных входных условиях, то рассчитанные по этим данным вероятности и функции раапраделения имеют условный характер. При изменении условий (технологических, конструктивных) еобходимо пересчитывать указанные выше характеристики процесса. Причем данные для расчета можно получить на системе, работающей в новых условиях. Адаптивные математические модели применяют, если в системе имеется параметрическая неодределенность [90]. Эта неопределенность умень- [c.34]

Перейдем непосредственно к построению математической модели электролиза в соответствии >с поставленными задачами. Как отмечалось выше (см. с. 34), математическая модель электролизера п ри современном уровне знаний о процессе должна быть адаптивной с широ ким привлечением детерминированных зависимостей. В соответствии с этим в модели выделим две части стохастическую, в которой используются адаптивные. алгоритмы для расчета параметров процессов, протекающих в электролизере, в условиях нестационарности, учитывающую стохастиэм процессов, и детерминированную, в которую входят электрохимические законы, уравнения материальных и тепловых балансов, т. е. основанную на законе сохранения массы ветдеств и энергии. Такое деление целесообразно для привлечения математического аппарата при построении модели и решении задач на ней. [c.43]

Оптимальная эксплуатация систем автоматики требует применения не нормативной, а гибкой адаптивной системы технического обслуживания и ремонта с использованием методики повышения надежности СУХТП.. Основу методики составляет моделирование на ЭВМ стохастического процесса возникновения отказов элементов систем управления. Моделирование осуществимо при наличии специальных моделей, которые можно назвать моделями технического обслуживания и ремонта. Их [c.49]

Последняя, девятая глава посвящена применению динамического программирования для оптимизации стохастических процессов, модели которых формулируются на основе статистических вероятностных закономерностей. В этих случаях максимизируется математическое ожидание целевой функции (дохода), определяемой с помощью рекуррентного соотношения между N- а ф — 1)-й стадиями. Значительный интерес представляет проведенное автором с большой наглядностью и методичностью сопоставление детерминированных и стохастических процессов. Для современных химических процессов и больших химических систем (цех, завод) все более характерным становится замена однозначного детерминизма вероятностными связями между событиями. От изучения простых систем и единичных явлений переходят к изучению сложных систем и массовых явлений, когда важен уже не результат отдельного события, а общий эффект основной массы событий. Венцом практической реализации и управления стохастическими процессами являются адаптивные, или самоорганизующиеся, модели, основанные на стохастической природе явлений. [c.9]

Адаптивные, самообучающиеся, модели составляют важный класс стохастических моделей. Эти модели характеризуются процедурой усовершенствования , при которой модель наблюдает или проверяет поведение процесса, который она моделирует, для того чтобы более реально отобразить сам процесс. Самоорганизующиеся модели предназначаются для процессов, случайные свойства которых изме-нются достаточно сильно для того, чтобы тщательное наблюдение и переоценка их были оправданы. [c.455]

Эволюционный процесс оказался гораздо более сложным и многогранным, чем он представлялся Дарвину. Очень сложными оказались как оба основных механизма эволюции — формирующий механизм наследственной изменчивости и регулирующий механизм естественного отбора, так и формы их взаимодействий. Открытие разнообразных генетико-стохастических процессов показало, что наряду с адаптивными формами эволюции широчайшее распространение имеют инадаптивные изменения. Однако нельзя провести сколько-нибудь резкие границы между строго адаптивными типами эволюции и ее инадаптивпыми формами. В природе яаблюдаются все промежуточные формы и все возможные типы их сочетаний. Живая природа неизмеримо сложнее, чем любые теоретические модели. [c.512]

Справочник химика 21

Химия и химическая технология