Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...

Статьи Чертежи Таблицы О сайте Реклама

Поиск в направленный

В таблице поиска последовательность вычислений 5 ( , k) указана римскими цифрами. Поиск начнем с приращения (4,3) = = S (4,4) — 5 (4,3) = 39 — 42 = —3, которое запишем в малую клетку над квадратом (4,4). В той же клетке проставим стрелку направления дальнейшего поиска. Следующее приращение в направлении стрелки является А , (4,4). Вычислив S (4,5) и S (4,4), получим А , (4,4) = 41 — 39 = 2. Стрелка направлена в противоположную сторону, следовательно, точка (4,4) соответствует минимуму S (/г/4), и поиск вверх и вниз от (4,4) не имеет смысла. Продолжаем поиск вправо и влево от (4,4). После вычисления S (5,4) = 41 попытка вправо привела к А (4,4) = 41 — 39 = = 2 > 0. Продолжая поиск в направлении стрелки и вычислив S (2,4), получим А (2,4) = 38 — 38 = 0. Направление дальнейшего поиска определено на основании следующих соображений. Так как значения S п, k) выше и ниже (4,4) не превышают 5 (4,4) = = 39, аналогичные соотношения можно ждать в точке (3,4). Если это так, все равно предстоит вычислить полные приращения А (2,3) и диагональное приращение А д,- (2,5), поэтому с них и начнем. Вычислив S (2,3) и А (2,3) = 3, а затем S (2,5) и А й- = 1, даже не зная 5 (3,3) и 5 (3,5), можно сделать вывод, что точка (3,4) является точкой минимума (по аналогии со столбцами 2 и 4 нельзя предположить, что S (3,3) [c.179]


В некоторых методах поиска информация о градиенте используется для ведения одномерного поиска в направлении наискорейшего подъема или спуска, причем используется соотношение  [c.170]

Метод н а и ско р е й ш его спуска предписывает вести поиск в направлении  [c.74]

Чтобы найти соответствие поставленной задачи с архитектурой, являющейся потенциально систолической, можно изобразить каждый узел включенным в процессор или ячейку, а связи с соседними узлами описать с помощью уже существующих топологических связей в матрице. Здесь матрица представляет трехмерную конструкцию, где третьим измерением является время. Узел [А] может быть обозначен как элемент, представляющий интерес, а окончательный поиск в направлении [В] может выглядеть как поток битов между узлами, распространяющийся в каждый момент времени. Это показано схематически на рис. 10.42. В то время как это все еще требует некоторых тестов для проверки условия сравнения, набор задач семантической сети должен отображаться на систолические матричные системы.  [c.355]

Метод непрограммируемых поисковых движений заключается в том, что после перемещения датчика из исходной точки (рис. 6.1, 2) в точку Ь — начало поискового движения — включается непрограммируемое движение поиска в направлении иа искомую поверхнос 1ъ (контур). Это движение прекращается после соприкосновения щупа с искомой поверхностью. В этот момент центр щупа  [c.178]

Градиентные методы. Методы поиска, в которых направление движения от итерации Xh-i к X опреде-  [c.285]

В конкретных задачах оптимального проектирования довольно часто зависимость критерия оптимальности F от параметров проектирования X получается слишком сложной. В этих случаях вместо вышеизложенных регулярных методов оптимизации используют методы случайного поиска. В этих методах направление поиска Р выбирают случайно, например, равновероятно в пределах гиперсферы с центром в точке X<, i. Существует огромное число алгоритмов случайного поиска. Следует отметить, что регулярные алгоритмы поиска являются частным (а точнее, вырожденным) случаем стохастических алгоритмов.  [c.290]

Отсутствие допустимой случайной точки при большом значении N указывает на узкий, щелевидный характер допустимой области. Тогда для вхождения в допустимую область целесообразно использовать методы направленного поиска. В этом случае можно минимизировать расстояние до допустимой области T(z) до тех пор, пока оно не станет равным нулю. Для минимизации можно использовать любой метод направленного поиска локального оптимума и произвольную начальную точку.  [c.130]

Кроме алгоритмов направленного поиска в блок поиска локальных оптимумов можно включать также алгоритмы вероятностной аппроксимации целевой функции. Применяя идеи сглаживания и фильтрации путем усреднения результатов случайных испытаний, эти алгоритмы позволяют строить такие аппроксимирующие функции, которые унимодальны и имеют оптимум, совпадающий с глобальным оптимумом Hq [64]. Тогда поиск глобального оптимума Но сводится к поиску локального оптимума аппроксимирующей функции.  [c.135]


Усовершенствование алгоритмов поиска ведется в направлении повышения их качества и эффективности. Под критерием качества обычно понимается точность, с которой обеспечивается нахождение оптимального решения, а критерий эффективности — машиносчетное время поиска в целом. Критерии точности и быстродействия, как правило, являются противоречивыми. Поэтому сравнительный анализ алгоритмов проводится по одному из них при заданном значении другого. Например, лучшим считается алгоритм, который при одинаковом времени поиска точнее находит оптимум или, наоборот, при одинаковой точности быстрее находит оптимум.  [c.145]

Методы покоординатного поиска. Эти методы отличаются тем, что выбор величины Sd производится среди ограниченного множества возможных направлений координатных осей р-мерного пространства параметров оптимизации, т. е. на каждом шаге движение осуществляется в направлении, параллельном какой-либо координатной оси. Следовательно,  [c.243]

Несмотря на простоту реализации на ЭВМ и логику, отмеченные недостатки ограничивают применение методов покоординатного поиска в чистом виде. Для устранения недостатков предложены разные способы [74]. Наиболее общие среди них сводятся к повороту координатных осей и построению новых направлений поиска.  [c.244]

Новые направления поиска, отличные от направлений координатных осей, также можно построить с помощью одного цикла покоординатного поиска (рис. П.З, д). Соединяя точки Zo и Zi, получаем направление Si, по которому решается задача одномерной оптимизации и находится точка с наилучшим значением Яо. Исходя из этой точки, процедура повторяется до тех пор, пока будет найдено оптимальное решение задачи. Для сокращения объема вычислений одномерную оптимизацию можно осуществлять только в направлении Si, Sj,. .., а движение вдоль координатных осей производить постоянными шагами.  [c.244]

В поиске с многогранником сначала случайным образом задаются вершины симплекса или комплекса. В каждой вершине вычисляются значения Но, сравниваются и вершина с наихудшим значением На принимается в качестве начальной точки Zo (рис. П.5,г). Направление поиска So определяется прямой, соединяющей 2о с центром тяжести многогранника. Совершая шаг в направлении So, получаем точку h с лучшим значением Но по сравнению с Ha(Za). Затем путем замены вершины Zo на вершину Z] получаем новый многогранник и повторяем процедуру до тех пор, пока многогранник стянется в пределы заданной точности к центру тяжести.  [c.248]

Принадлежность точки 2 к одной из указанных категорий существенно влияет на выбор направления поиска. Например, для внутренних точек, по крайней мере, в малой окрестности направление можно выбрать без учета ограничений. В данном случае ограничения задачи считают неактивными. Для гранич- ных точек учет ограничений обязателен, так как даже в малой окрестности возможен переход в недопустимую точку в направлении поиска. Если точка Zk является недопустимой, то главным при выборе направления поиска служит необходимость попадания в Dz, т. е. удовлетворения ограничений задачи Д.  [c.249]

Методы безусловной оптимизации по способу определения направления поиска делятся на методы нулевого, первого и второго порядков. Для методов нулевого порядка типичен выбор направления поиска по результатам последовательных вычислений целевой функции. По способу выбора совокупности оптимизируемых параметров эти методы делятся на детерминированные и случайного поиска. В детерминированных методах процесс перехода от вектора внутренних параметров Х к вектору хс 1 происходит в  [c.317]

Существо методов направленного поиска состоит в выборе направления движения из каждой очередной точки в пространстве параметров таким образом, чтобы при этом улучшались результаты, полученные на предыдущих шагах. Поиск в данном случае продолжается до тех пор, пока еще удается улучшать значение функции цели. Чтобы в данном случае сделать поиск конечным (т. е. ограничить число шагов поиска), необходимо задавать требования к точности определения положения экстремума 0 в пространстве параметров. В отличие от предыдущей группы методов при направленном поиске для формирования очередного варианта проекта используется информация, полученная на предьщущих шагах.  [c.151]

Если число пробных шагов принимается меньшим, чем количество параметров оптимизации и, то при определении направления поиска получается выигрыш по числу обращений к модели объекта проектирования для вычисления значений Q в сравнении с градиентным методом. Однако нужно иметь в виду, что уменьшение числа пробных шагов приводит к соответствующему уменьшению вероятности приближения к направлению градиента, а следовательно, к возможному увеличению количества рабочих шагов по определению экстремума функции цели. Как правило, при решении конкретных задач оптимизации ЭМУ существует оптимальное в заданных условиях количество пробных шагов, позволяющее определить приближение к искомому экстремуму 0 с приемлемыми затратами на поиск. В качестве примера на рис. 5.24 приведены зависимости от числа пробных шагов т колине-  [c.159]


Вместе с тем методы направленного поиска в силу заложенных в них при создании интеллектуальных возможностей позволяют существенно сократить время решения задач по сравнению с пассивным поиском. В ряде случаев такая экономия времени является существенно важной. Примером здесь может служить массовое решение задач оптимизации в условиях функционирования САПР, где даже небольшая экономия на решении одной задачи дает ощутимую общую выгоду. Поэтому понятно желание найти, способы преодоления недостатков этой группы методов. Рассмотрим некоторые из этих способов.  [c.163]

Зигзагообразное движение вдоль границы организуется следующим образом (рис. 5.29). Внутри области допустимых значений параметров поиск осуществляется, например, по градиенту функции цели Q. Если в ходе такого движения изображающая точка оказьшается за пределами области Д то очередной шаг производится в направлении суммы градиентов тех ограничений Н., которые бьши нарушены на предьщущем шаге, т. е.  [c.165]

Для организации поиска при достижении границы области D может использоваться движение в направлении проекции градиента функции цели на поверхность ограничений. Это позволяет вести поиск более целенаправленно, чем при зигзагообразном движении вдоль границы. Однако при этом существенно усложняется процедура определения направления движения.  [c.165]

Так, методы пассивного поиска в результате равномерного просмотра всей области допустимых значений параметров позволяют определить приближение к точке глобального экстремума. Однако за этот бездумный сплошной просмотр приходится платить весьма большими затратами на поиск. Поэтому на практике в основном эти методы находят применение для первоначального изучения области поиска при невысоких требованиях к точности и, в частности, для организации входа изображающей точки в допустимую область при реализации методов направленного поиска.  [c.170]

Отправным пунктом поиска является точка в пространстве параметров, соответствующая аналогу ЭМУ и поэтому удовлетворяющая множеству вспомогательных ограничений. Начальный этап поиска прототипа здесь следует проводить в направлении вектора суммы градиентов показателей у., ограничения на которые не выполнены в данной точке. Учитывая физическую неоднородность параметров и показателей ЭМУ, при вычислении этого вектора необходимо произвести нормирование пространств параметров и показателей. Нормированное значение градиента в к-п точке поиска в данном случае определяется как  [c.206]

При выполнении условия (6.9) следующий шаг поиска осуществляется в направлении градиента не выполненного на предьщущем шаге  [c.207]

Прежде всего необходимо задать область поиска в пространстве параметров, на которые назначаются допуски, и начальную точку поиска в случае применения направленных методов. Понятно, что область поиска должна включать точку х. Кроме того, при задании области поиска следует учитывать знаки и значения коэффициентов влияния параметров на показатели объекта к = (Ау. Iу )1 Ax./xf ), представляющих собой относительное изменение У -го показателя Ау.1у, соответствующее изменению г-го параметра Дх ./х, в окрестности точки х. Коэффициенты влияния могут быть достаточно просто определены с помощью стохастической модели объекта или модели в приращениях (см. 5.1).  [c.246]

Направленный поиск. Несмотря на то, что современные ЭВМ позволяют сравнивать десятки и сотни тысяч вариантов механизма, все же следует стремиться к уменьшению трудоемкости вычислений с целью удешевления процесса проектирования. Уменьшения трудоемкости вычислений можно достичь направленным поиском, при котором переход от одной комбинации параметров к другой происходит не случайно, а в направлении, соответствующем уменьшению целевой функции. Многочисленные методы направленного поиска  [c.146]

Направленный поиск. Несмотря на то, что современные ЭЦВМ позволяют сравнивать десятки и сотни тысяч вариантов механизма, все же следует стремиться к уменьшению трудоемкости вычислений с целью удешевления процесса проектирования механизма. Уменьшение трудоемкости вычислений может быть достигнуто путем применения направленного поиска, т. е. такого поиска искомых параметров синтеза, при котором переход от одной комбинации параметров к другой происходит не случайно, а в направлении, соответствующем уменьшению величины целевой функции. Многочисленные методы направленного поиска отличаются между собой способами выбора направления, по которому следует переходить от одних значений параметров к другим. При решении задачи синтеза механизмов иногда достаточно применить самый простейший способ, который дает следующую последовательность вычислений.  [c.356]

Существует также несколько приемов, позволяющих в процессе направленного поиска отстроиться от действия ограничений. К таким приемам относятся построение допустимого направления движения к экстремуму в каждой точке поиска (метод Зойтендейка), введение функций штрафа, организация зигзагообразного движения вдоль границы области Д поиск в направлении проекции градиента функции цели 164  [c.164]

Отличительной особенностью всех методов, упрочняющих металл путем уве.пичения числа дефектов, является то, что, после их использования, при повышении температуры восстанавливается регулярность строения металла внутри зерен и прочность падает. Для предотвраш,ения этого падения прочности в самолетных и ракетных конструкциях, а также в газовых турбинах, где температура доходит до 1200—1500° С, ведется большой научно-технический поиск в направлении получения весьма высокой прочности металла за счет устранения из него дефектов. Высокая прочность идеальных по структуре (бездефектных) монокристаллов позволяет использовать весьма высокопрочные так называемые усы в композитных материалах. Устранение одной из категорий дефектов достигается за счет получения чистого (без примесей) металла путем применения вакуумной дистилляции, зонной плавки и разложения летучих соединений металлов. Устранение других дефектов, таких, как дислокации и их источники, не связанных с наличием примесей, достигается воздействием на металл высоких давлений, измеряемых тысячами и десятками тысяч атмосфер. По-видимому, устранение дефектов позволит получить металлы, прочность которых подойдет вплотную к теоретической.  [c.297]


Способ выбора новых значений варьируемых параметров механизма зависит в далы1ейн1ем or и1)инятого метода оптимизации и конкретной реализации его в процедуре поиска, разработанной при программировании задачи. Методы нелинейного программирования подразделяются на четыре o noHiibix класса градиентные без-градиентные методы детерминированного поиска методы случайного поиска комбинированные. Многообразие методов объясняется стремлением найти оптимум за наименьшее число шагов, т. е. избежать многократного вычисления и анализа целевой функции синтезируемого механизма. При этом используется идея перемещения в пространстве варьируемых параметров в направлении минимума целевой функции. Очевидно, что в случае поиска минимума для сделанного шага должно выполняться условие  [c.18]

Существует ряд задач, строгое решение которых в автоматическом режиме находится за пределами возможностей современных вычислительных средств. Примеры таких задач — нестационарные трехмерные задачи математической физики и NP-полные комбинаторные задачи. Для их решения предпринимаются усилия как в направлении поиска более эффективных математических моделей и методов, так и в направлении построения и применения супер-ЭВМ, обладающих производительностью в несколько сотен миллионов операций в секунду и выше. Наиболее известными примерами супер-ЭВМ, созданных в начале 80-х годов, являются СуЬег-205 и Сгау-Х—МР/48, производительность которых достигает 0,8 и 1,6 млрд. операций в секунду соответственно. В основе достижения столь высокой производительности лежит одновременная обработка нескольких потоков данных, конвейерная обработка или совместное использование обоих способов организации параллельных вычислений. Предполагается в ближайшие годы разработка в странах — членах СЭВ супер-ЭВМ с быстродействием около 10 млрд. операций в секунду. Однако стоимость супер-ЭВМ велика (для упомянутых суперЭВМ около 20 мли. долларов) и потому в большинстве САПР в центральных вычислительных комплексах будут применяться ЭВМ высокой производительности (до 100 млн. операций в секунду) из семейств Эльбрус и ЕС ЭВМ.  [c.381]

На сегодняшний момент наиболее распространенная в техническом вузе ошибка заключается в том, что задача развития творческих способностей ограничивается дидактическими рамками. Только при передаче соответствующего опыта эмо-ционально-ценностного отношения людей друг к другу и к окружающей действительности возможно формирование мотивов, способствующих направленности личности на поисковую деятельность. Только при этом у молодого человека возникает неформальное стремление к совершенствованию знаний, потребность в усложнении задач, в углублении поиска, в преодолении возникающих в познавательном процессе препятствий.  [c.155]

Например, на рис. 5.11, б поиск из точки Zq приводит в точку 0- Затем на некотором расстоянии от Zq, значительно превышающем шаг предыдущего процесса поиска, выбирается точка Z в направлении, перпендикулярном траектории предыдущего поиска в точке 2о. Из точки Zo совершается новый поиск, котррый приводит в точку l. Далее на прямой, соединяющей точки Со и j, в направлении улучшения целевой функции выбирается новая начальная точка Z2. Поиск из Zj приводит в С2. Если Hoi a) лучше о С ), то дальнейшее движение по оврагу совершается аналогичным образом. Если Но(Сз) хуже Hq ), то оптимум ищется между точками С) и Сг, т. е. выбирается Z2 ближе к С]. Если при достаточном приближении величина Но С ) все равно хуже, то оптимум следует искать между точками Со и С. Комбинированные алгоритмы многокритериального поиска, использующие последовательно сочетание методов случайного перебора и анализа мно-л<ества неулучшаемых решений, предложены в [70].  [c.149]

Поворот координатных o ifl осуществляется таким образом, чтобы приблизиться к схеме, показанной на рис. П.З. а. т. е. чтобы одна из координатных осей стремилась к линейной аппроксимации кривой, вдоль которой вытянуты силовые линии. Это можно сделать, например, совершив один цикл покоординат ного поиска (рис. П.З, г), в результате которого из точки Zo попадем в точку Z, Соединяя точку Zi с Zo прямой, получим новое направление координатной оси а другую ось возьмем ортогональной к полученной (пунктир на рис. П.З, г) Далее совершается один цикл поиска в новых координатных осях и снова про изводится поворот и т. п.  [c.244]

Схема алгоритма поиска для общего случая представлена на рис. 25.2. Выбор вектора исходной совокупности внутренних параметров производится в блоке 1. Эта совокупность должна принадлежать области определения целевой функции, и чем ближе к экстремуму она выбрана, тем быстрее он может быть найден. В блоке 2 производится вычисление целевой функции, значение которой попадает в блок 3, определяющий условия прекращения поиска. Если эти условия позволяют сделать вывод, что поиск следует продолжить, то в блоке 4 определяются направление и шаг поиска в достигнутой точке, а вблоке5 — удовлетворительность нахождения новой совокупности в области определения целевой функции. Процесс вычислений повторяется до тех пор пока удовлетворятся условия прекращения поиска. Таким условием для большинства методов является значение шага поиска,  [c.317]

Метод случайного поиска. Этот метод, как и предыдущий, по принятой классификации относится к группе методов одноэтапного направленного поиска, В литературе он называется также методом случайного градиента.  [c.158]

Как показьтает анализ, в данном случае оптимальным является учет направления вектора одного предыдущего перемещения, т. е. N = = 1, хотя в целом преимущества в эффективности по сравнению с поиском без самообучения незначительны. Поэтому при реализации метода случайного поиска в виде соответствующего алгоритма необходим предварительный анализ целесообразности применения элементов самообучения.  [c.160]

Наконец, группа методов направленного поиска в общем характеризуется более сложными алгоритмами организации движения изображающей точки в процессе поиска. Прежде всего здесь, как было показано, проблемой является выбор значений пробных и рабочих шагов, количества пробных шагов, от которых зависит не только эффективность, но и работоспособность алгоритмов решения задач оптимизации. Кроме того, для методов направленного поиска нет и столь очевидных условий оконча1шя решения задачи, как для Методов пассивного поиска.  [c.163]

Здесь, как и в предьщущем случае, поиск внутри допустимой области осуществляется в направлении grad б. Такое движение может привести в точку х р, лежащую на границе области Д где для некоторых ограничений Н. имеет место равенство Hj = О (или Н. < е, где е -положительное малое число). Если в этой точке угол между векторами grad 2 и grad . превышает гг/2 и их векторное произведение  [c.166]

Если в точке Xj.p имеется m существенных ограничений и находится проекция, для которой выполняется неравенство Р х gradЯy > О для всех / Ф I, j = 1,. . ., W, то поиск из х р также продолжается в направлении Vj. В том случае, когда такое направление Pj отсутствует, поисковый шаг осуществляется вдоль проекции М вектора gradQ на пересечение касательных гшоскостей к поверхностям всех существенных ограничений т  [c.166]

Иллюстрацией алгоритма может служить рис.. 6.8. На нем графически показан процесс преобразования аналога проектируемого гиродвигателя, данные которого приведены в табл. 6.1, в пространстве двух параметров отношения наружного диаметра двигателя к диаметру статора и относительной площади пазов статора В данном случае движение начинается из точки х , соответствующей аналогу, и производится в направлении суммы градиентов пусковой мощности, времени-разгона и КПД в номинальном режиме работы, ограничения на которые, как видно из табл. 6.1, не выполнены. В точке х достигается выполнение ограничения по пусковой, мощности, и в дальнейшем поиск осуществляется в направлении суммы градиентов Гр и При нарушении  [c.208]


Смотреть страницы где упоминается термин Поиск в направленный : [c.182]    [c.29]    [c.245]    [c.250]    [c.254]    [c.152]    [c.167]    [c.172]    [c.208]    [c.54]   
Словарь-справочник по механизмам (1981) -- [ c.19 , c.427 ]

Словарь - справочник по механизмам Издание 2 (1987) -- [ c.232 ]



ПОИСК



372 — Метод направленного поиска

372 — Метод направленного поиска выполнения операций на позициях

372 — Метод направленного поиска оптимизации структурно-компоновочных схем линий сборки 374-382 — Расчет параметрических рядов агрегатных

372 — Метод направленного поиска последовательности сборки на примере

372 — Метод направленного поиска структурно-компоновочных схем

372 — Метод направленного поиска тракторного генератора 348-352 — Методы оптимизации 475-479, 480 — Определение оптимального уровня автоматизации 355-359 - Особенности 469 Оценка безотказности с помощью вероятностной модели точности сборки

372 — Метод направленного поиска узлов 478 — Структурная оптимизация

Волощенко А. П. Метод направленного поиска оптимальных конструктивно-технологических параметров проектируемых автоматических станков и линий

ЛП-поиск

Метод направленного поиска оптимального варианта сборки

Направленный поиск оптимальных технологических и структурно-компоновочных решений

Решение структурно-компоновочное 163 — Направленный поиск



© 2025 Mash-xxl.info Реклама на сайте