Главная » Просмотр файлов » Л.А. Растригин - Теория и применение случайного поиска

Л.А. Растригин - Теория и применение случайного поиска (1121205), страница 10

Файл №1121205 Л.А. Растригин - Теория и применение случайного поиска (Л.А. Растригин - Теория и применение случайного поиска) 10 страницаЛ.А. Растригин - Теория и применение случайного поиска (1121205) страница 102019-05-09СтудИзба
Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 10)

Для предельного среднего приращения функции качества М(АЯ) =:.-с Ф В (а,» а,) +о> .% („,,), (3,3,35) о А(>> 2)2 2о ' 2о откуда при о О получаем формулу (3.3.22). Во втором случае предельное распределение вектора % Ф, (,~о>+ р ло>) р =Ф (рР>+рз<о>) )=2 3 (3,3.36) Предельное среднее приращение функции качества М(АЯ) ==~Ф ~ — „) (рг >+ро( >) (и>+аз) + )>2~ йа ) +Ф~ — ! (Р>Оо>+Рз>о>) (а> — аз) о (2о ! (3.3.37) Аналогично при о. О получаем выра>кение (3.3.26). Для обоих рассмотренных случаев получены формулы для определения пошаговых характеристик обучения и пошаговых средних приращений функции качества.

с В работе 157) исследован случай, когда б=-, где й — целое й' число. Матрица переходных вероятностей для вектора памяти % имеет следующий вид: о,.....,... о, Рм, О, Рзз, О,......., О ,,' — (3 3 33) ~~ О,, О, Рзи,зз — ь О, Рзз,зз+~ и '''1~ ,' О,...., О, Рзз+изы Рз виза+1 где Π— нулевые блоки; Є— матрицы Якоби. Здесь цепь Маркова является эргодической для любых значений с. Получены формулы для вычисления предельного распределения вектора % и предельного среднего приращения функции качества.

Так, например, для 1=1 и с — я! имеем следующее предельное распределение вектора %: Ф вЂ” — Фз— Р|= — Рз Рз = Рз' Фз Фз Фз —, — ФзР» — Рз, 'Рз = — Рз' Фг Ф~ ~3.3.39) Рз !+ — + + — + ) Ф~ Фз Фз Фд ', Фз Фз Фз Ф!1 рз = р,= р,= Р,-О. вигза) 61 Предельное среднее приращение функции качества Ф(Ф4 ~ Ф(Ф4 Ф>Ф> ->- — 3 — -3 [1 > — "— + 3 --3- 'тЯ (3.3.40) Ф>Ф3 ~ Ф(Ф4 Ф«Ф3 11а рис. 3.7 показано изменение у2М(Л(;>), вычисление>е пофармулам (3340) и (3335),при а(=1, аз=0, с:=1 для 6=-с и б~2с.

Видно, что при б=с предельное среднее приращение функции качества примерно на >/3 больше, чем прп б~2с. Следовательно, при оптимизации в обстановке помех «медленноеэ обучение приводит к увеличению скорости оптимизации системы. Это объясняется тем, что прн медленном обучении происходит более полная фильтрация помех. В этой >ке работе рассмотрена динамика покоордпнатного обучения прн оптимизации в обстановке помех в многомерном пространстве. Пусть б= 2с и направляющие конусы градиентного направления удовлетворяют условиям: а>)и«)...

»а ~0; а>)аз+...+а«. (3.341) Тогда предельное распределение вектора ЪЧ Р; = 2' — "Ф( (('= 1, 2,..., 2"), (3.3.42) а пределыие среднее приращение функции качества М(ЛЯ) ==2'-"с Ф ' +...+Ф вЂ” ~ — - а>+ *['["') "[ — "')- (-' — ")- [ — "')" ...— Ф[- '---)] „,4[Ф[ — ')— — Ф[ — ').(-Ф[ — ') —...-Ф[: '--)]~). (3343> При о — 3-0 получаем формулу (3.3.33). Г>2 ЬХ =аг (Е, %), (3.3.44) где а — длина шага; Š— единичный случайный вектор, равномерно распределенный во всех направлениях пространства параметров Х; г — некоторая непрерывная единичная векторная функция двух переменных векторов Е и %. Функция )с(Е, %) должна удовлетворять следующим условиям: !.

(3.3.45) где 0=-(О, О,..., 0). 2. М(г"(Е,%))=- — — -", 1%) ' (3,3.46) где М вЂ” знак математического ожидания; )%) — - модуль вектора %. 3. (3.3.47) где Р— знак дисперсии; 0=сопи(; а=сопи(. При выполнении зтих условий функция г" реализует пространственное распределение случайного шага, которое может целесообразно изменяться по мере накопления опыта работы системой. Различные функции г(Е,%) предложены в работе (Ц.

63 Проведенные исследования позволяют сделать вывод о том, что главным недостатком алгоритма покоординатного обучения является их немобнльность при перестройке вероятностных характеристик. Это положение справедливо для общего случая оптимизации многомерной системы как прн отсутствии, так и прп наличии помех. Другой класс образуют предложенные Л. А. Растригпным алгоритмы непрерывного обучения (Ц. Пусть и-мерный вектор %=(шь...,ш„) характеризует обученность систем, т. е.

определяет вероятностные свойства поиска, причем при %=- =-(О, О,..., 0) поиск должен быть равновероятным. Направление случайного шага представляется в виде некоторой векторной функции Подробно алгоритмы непрерывного обучения исследованы в работах (3, 53, 58) прн следующих функциях Р(Е, %): Р~(Е,%) = Е+% (3.3.48) В (0,5%+ Е) 1В(0,5%+Е) ~ ' (3,3.49) где  — матрица ;'!1,0,...,0,0 (, В 1'Ь!' (3,3.50) (3.3.52) % „.

=й%. — б(Лдн+ Ц) ДХн, где й — - коэффициент забывания (0<й=1)", б — - параметр скорости обучения (б>0); ЬЯн — приращение функции качества на М-м шаге; — коэффициент «скептицизма»; ЛХм -- вектор Л'-го шага системы в пространстве параметров. Чтобы избежать чпередетерминирования» системы поиска, модуль вектора % ограничивается: )%~ (с (с)0).

(3.3.53) В работах [3, 53) описывается и экспериментально анализируется непрерывный алгоритм самообучения с функцией Р(Е, %), определяемой формулой (3.3.49), при оптимизации многопараметрических систем. Показано, что он имеет рял преимуществ по сравнению с покоордннатным алгоритмом обучения. Алгоритм самообучения можно представить в виде векторного рекурреитного соотношения, связывающего два следующих друг за другом значения вектора %: Геометрическая интерпретация алгоритма (3.3.49) следую- щая.

На векторе памяти % строится эллипсоид вращения с фо- кусами Р, в начале и Еэ в конце вектора % и с полуосями, определенными формулами (3.3.51). Длина вектора % опреде- ляет эксцентрпситет эллипсопдз, а его поверхность . и-мерный заь кон распределения вероятностей Р(ЛХ). При ~%! =О для вектора е д ) ЛХ имеет место равновероятиый закон распределения, соответствующий поиску без обучения.

При увеличении длины вектора % эллипсоид вытягивается и поиск !ал.г становится более целенаправленным. При )%~ =-2 поиск детерми- 1ич-о п ма нируется по иаправленшо вектора %. Построение эллипсоида и ди- Рыс. 8.8. намика обучения показаны па рис. 3.8. Экспериментально исследовалась работа алгоритма в двумерном пространстве параметров прц стационарном и иеста- ционарном режимах па объекте с линейной функцией качества Яэ Хь (3.3.54) В стационарном режиме в начале поиска соР>=с, вы~=О, т.

е. начальное направление вектора % совпадало с направле- нием, соответствующим градиентному. В этом случае быстро- действие поиска незначительно зависит от параметра скорости обучения б, но сильно зависит от величины с. Чеы больше эта величина, тем выше быстродействие поиска. Эксперименты по- казали, что в стационарном режиме оыстродействие непрерыв- ного алгоритма обучения ье зависит от воздействия помех. Та- кое обучение играет роль фильтра, пропускающего только систе- матические изменения в обстановке и не реагирующего на случайные флуктуации (помехи). Таким образом, самообучение алгоритмов случайного поиска служит хорошей защитой против помех.

Для описания динамических свойств обучения в иестационар- ном режиме вводится количественный показатель а эффектив- ности обучения, равный косинусу угла между вектором памяти и направлением, обратным градиентному. Моделирование на ЦВМ процесса обучения в двумерном пространстве параметров показало следующее: !) средняя эф- аз фективность обучения а,а и среднее число шагов настройки М,г возрастают при увеличении модуля вектора памяти ~ % ~; 2) с уменьшением б а,р также увеличивается, но прп этом возрастает среднее число шагов, неооходимых для настройки; ап ~ 3) увеличение уровня помех заза грудняет определение правильного .1~ направления и приводит к сниже- нию эффективности обучения. ш г Проведено сравнение непрерывзэ ного обучения с покоординатным д обучением и с регулярными метог з ~ а г г г ~ дами поиска.

В основу сравнения было положено количество вычисРис д9, лений функции качества, необходимых для достижения экстремума с заданной точностью. На рис. 3.9 показаны результаты сравнения непрерывного ооучення с по- координатным обучением при оптимизации многопараметрических объектов с центральной фувкцией качества. Видно значительное превосходство алгоритма непрерывного обучения уже при размерности пространства п>3. Сравнение непрерывного алгоритма ооучения с методом градиента и методом наискорейшего спуска проводилось иа центральной функции качества в двумерном пространстве параметров в обстановке помех. Моделирование на ЦВМ показало значительное превосходство по скорости сходимостн и дисперсности результатов алгоритма непрерывного обучения над методами градиента и наискорейшего спуска.

Характеристики

Список файлов книги

Свежие статьи
Популярно сейчас
Зачем заказывать выполнение своего задания, если оно уже было выполнено много много раз? Его можно просто купить или даже скачать бесплатно на СтудИзбе. Найдите нужный учебный материал у нас!
Ответы на популярные вопросы
Да! Наши авторы собирают и выкладывают те работы, которые сдаются в Вашем учебном заведении ежегодно и уже проверены преподавателями.
Да! У нас любой человек может выложить любую учебную работу и зарабатывать на её продажах! Но каждый учебный материал публикуется только после тщательной проверки администрацией.
Вернём деньги! А если быть более точными, то автору даётся немного времени на исправление, а если не исправит или выйдет время, то вернём деньги в полном объёме!
Да! На равне с готовыми студенческими работами у нас продаются услуги. Цены на услуги видны сразу, то есть Вам нужно только указать параметры и сразу можно оплачивать.
Отзывы студентов
Ставлю 10/10
Все нравится, очень удобный сайт, помогает в учебе. Кроме этого, можно заработать самому, выставляя готовые учебные материалы на продажу здесь. Рейтинги и отзывы на преподавателей очень помогают сориентироваться в начале нового семестра. Спасибо за такую функцию. Ставлю максимальную оценку.
Лучшая платформа для успешной сдачи сессии
Познакомился со СтудИзбой благодаря своему другу, очень нравится интерфейс, количество доступных файлов, цена, в общем, все прекрасно. Даже сам продаю какие-то свои работы.
Студизба ван лав ❤
Очень офигенный сайт для студентов. Много полезных учебных материалов. Пользуюсь студизбой с октября 2021 года. Серьёзных нареканий нет. Хотелось бы, что бы ввели подписочную модель и сделали материалы дешевле 300 рублей в рамках подписки бесплатными.
Отличный сайт
Лично меня всё устраивает - и покупка, и продажа; и цены, и возможность предпросмотра куска файла, и обилие бесплатных файлов (в подборках по авторам, читай, ВУЗам и факультетам). Есть определённые баги, но всё решаемо, да и администраторы реагируют в течение суток.
Маленький отзыв о большом помощнике!
Студизба спасает в те моменты, когда сроки горят, а работ накопилось достаточно. Довольно удобный сайт с простой навигацией и огромным количеством материалов.
Студ. Изба как крупнейший сборник работ для студентов
Тут дофига бывает всего полезного. Печально, что бывают предметы по которым даже одного бесплатного решения нет, но это скорее вопрос к студентам. В остальном всё здорово.
Спасательный островок
Если уже не успеваешь разобраться или застрял на каком-то задание поможет тебе быстро и недорого решить твою проблему.
Всё и так отлично
Всё очень удобно. Особенно круто, что есть система бонусов и можно выводить остатки денег. Очень много качественных бесплатных файлов.
Отзыв о системе "Студизба"
Отличная платформа для распространения работ, востребованных студентами. Хорошо налаженная и качественная работа сайта, огромная база заданий и аудитория.
Отличный помощник
Отличный сайт с кучей полезных файлов, позволяющий найти много методичек / учебников / отзывов о вузах и преподователях.
Отлично помогает студентам в любой момент для решения трудных и незамедлительных задач
Хотелось бы больше конкретной информации о преподавателях. А так в принципе хороший сайт, всегда им пользуюсь и ни разу не было желания прекратить. Хороший сайт для помощи студентам, удобный и приятный интерфейс. Из недостатков можно выделить только отсутствия небольшого количества файлов.
Спасибо за шикарный сайт
Великолепный сайт на котором студент за не большие деньги может найти помощь с дз, проектами курсовыми, лабораторными, а также узнать отзывы на преподавателей и бесплатно скачать пособия.
Популярные преподаватели
Добавляйте материалы
и зарабатывайте!
Продажи идут автоматически
6461
Авторов
на СтудИзбе
304
Средний доход
с одного платного файла
Обучение Подробнее