Таким образом, метод «крупных» частиц позволяет рассчитывать низкотемпературную плазму с учетом всевозможных физических эффектов. Как и в случае электронного потока, алгоритм реализует множество элементарных расчетов в малый промежуток времени.
Алгоритмы метода «частицы-в-ячейках» в литературе кодируются соотношением nDmV, где n – число пространственных координат, m – число учитываемых скоростей частиц.
2.8. Задачи оптимизации
Заданы многомерная функция , где – n-мерный вектор, и ограничения , . Требуется найти глобальный экстремум функции , - глобальный экстремум, если для любого .
Функция называется целевой функцией, функции – функциями ограничения. Аргумент вектор называется планом, – оптимальным планом (или точкой глобального экстремума).
Линейное программирование Нелинейное программирование Рис. 13 |
Если и – линейные функции (рис. 13), то задача относится к разделу линейного программирования.
Если – нелинейная функция, то задача относится к нелинейному программированию. В случае нелинейного программирования функции могут отсутствовать.
В задачах линейного программирования экстремум находится на границе функции ограничения.
К нелинейному программированию приводят многие задачи, связанные с физическими моделями живого и неживого мира. Для решения задачи линейного программирования существует много эффективных пакетов. В отличие от них задачи нелинейного программирования являются проблемными, сложность увеличивается с увеличением размерности вектора .
Нелинейные функции встречаются в реальных задачах и имеют не один, а много экстремумов. Задача может заключаться как в отыскании глобального максимального экстремума, так и глобального минимального экстремума. Эти задачи эквивалентны. Одна можно перевести в другую изменением знака функции.
Если дифференцируема, то необходимым условием экстремума является равенство , i =1, 2 , …, n.
Достаточное условие глобального экстремума для любого .
Достаточное условие локального экстремума для любого из окрестности .
Для отыскания локальных экстремумов существует множество численных методов. Одними из наиболее часто используемых методов являются градиентные методы.
В градиентном методе сначала выбирается начальная точка, от которой начинается оптимизация. Затем делаются шаги в направлении градиента:
, где (25)
до тех пор, пока значение функции в очередной точке не станет меньше значения функции в предыдущей точке. Тогда значение ρ уменьшается, и итерации начинаются снова из предыдущей точки. Этот процесс повторяется, пока ρ не станет меньше заданной точности.
Для вычисления глобального экстpемума функции необходимы специальные методы локализации области глобального экстpемума и многокpатное пpименение метода поиска локального экстpемума. Одним из подходов поиска глобального экстpемума является динамическая пpоцедуpа – метод Монте-Каpло. Однако пpименение этой пpоцедуpы тpебует значительных вpеменных затpат. Для целенапpавленной локализации области глобального экстpемума можно пpедложить метод последовательного пpиближения pешения задачи, где на каждом шаге k+1 функция Dk+1 отpажает более точное пpиближение pешения задачи по отношению к функции Dk . Если на k-ом шаге вычислен вектоp , то можно пеpейти к более точному поиску экстpемума для более точной функции Dk+1 , если за начальный вектоp поиска D пpинять оптимальный план пpедыдущего шага. Схема такого поиска может быть отpажена в виде
® . (26)
k=1,2,...
Пpи k=1 может быть положен пpоизвольным обpазом. Пpедполагается, что Dk достаточно точно отpажает pешение задачи так, что D является pешением задачи тpебуемой точности. Такая последовательность оптимизационных шагов часто пpиводит к быстpому вычислению глобального экстpемума. Локализация области глобального экстpемума на каждом шаге достигается за счет вычисленного локального экстpемума на пpедыдущем шаге и поиска экстpемума на пеpвом шаге, если этот начальный поиск приводит к глобальному экстремуму для функции D1 . Применительно к итерационным пpоцедуpам минимизации ошибки D различные точности описания могут быть получены за счет изменения количества узлов аппроксимации решения. Пусть Î Rn являются искомыми узлами аппроксимации решения задачи вычисления многомерного приближения. Уменьшая шаг h и увеличивая соответственно количество узлов N, можно построить аналогичную (26) пpоцедуpу минимизации ошибки приближения нелинейной целевой функции.
2.9. Распознавание образов и обучение машин
Одним из наиболее интенсивно развивающихся направлений применения ЭВМ в последнее время стали системы распознавания образов.
В общем виде задача распознавания образов состоит в следующем. Если некоторый объект в процессе своего функционирования однозначно описывается вектором признакового пространства , то представляет интерес определить при известном значении состояние объекта, представленное классом (образом) , s = 1, 2, …, p, где p – количество классов (образов).
Распознавание образа проводится с помощью разделяющей многомерной функции такой, что каждому значению аргумента ставится в соответствие класс , s – номер класса (образа).
Построение функции F осуществляется с помощью множества , которое составляет обучающую матрицу, где N – количество известных образов.
Если задана некоторая модель функции F, то задаётся алгоритм определения (настройки) этой модели с помощью обучающего множества О. Если, таким образом, функция F определена, то далее для любого значения аргумента возможно определение класса .
Задача распознавания образов имеет множество практических применений.
1. Распознавание множества букв.
Рис. 14 |
Для решения этой задачи могут быть использованы разные множества признаков. Например, длина отрезка от соответствующей точки квадрата до границы буквы (рис. 14). У каждой буквы свои значения отрезков. Таким образом, класс соответствует определённой букве алфавита. Количество классов p соответствует количеству букв в алфавите. Очевидно, для каждой буквы вектор принимает определённое значение, если для каждой буквы алфавита известно множество О, то далее для любого множество может быть определено с помощью какого-либо алгоритма.
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.