Поиск в случайный (метод Монте-Карло)

Также для поиска глобального экстремума используют случайный поиск, в частности, методы Монте-Карло. Здесь экстремум находится с какой-то вероятностью. [c.37]

Таким образом, большинство задач синтеза механизмов может быть сведено к задаче отыскания таких параметров механизма, при которых удовлетворяются принятые ограничения и целевая функция имеет минимальное значение. Как уже было сказано выше, задача эта многопараметрическая, и решение ее обычно проводится с использованием счетно-решающих машин с применением методов Монте-Карло, т. е. случайного поиска, направленного поиска и комбинированного поиска. Многие задачи синтеза механизмов могут быть решены только в приближенной форме. Тогда, кроме применения методов параметрической оптимизации, широко используются методы теории приближения функций и, [c.412]

В частном случае релейных управлений для переменных задач справедливо условие (7.33), т. е. они имеют всегда два допустимых значения. Это обстоятельство требует модификации метода Монте-Карло для случайного перебора только тех точек допустимой области, которые принадлежат вершинам многомерного параллелепипеда. Адаптация метода покоординатного поиска осуществляется выбором величины шага 1Д1/1=2А, которая позволяет переходить из одной вершины параллелепипеда в дру- [c.213]

Точность нахождения местоположения экстремума здесь также определяется по (5.40). Однако с учетом случайного характера событий в данном случае она обеспечивается лишь с некоторым уровнем доверительной вероятности р . Условием окончания поиска по методу Монте-Карло является просмотр такого количества случайных изображающих точек ТУр, которое обеспечивает решение задачи оптимизации с указанной точностью Д и определяется как [c.155]

В заключение укажем характеристики задач, решение которых методом Монте-Карло наиболее эффективно. Это прежде всего компоновки с небольшими областями поиска и параметрами, которые определяются не более чем тремя случайными величинами. Благоприятным для применения метода является совпадение области поиска с областью моделирования случайных величин, а также возможность вести решение [c.295]

Исходные данные для расчета по формуле были взяты из работ [10, 26, 47 J расчет производился методом случайного поиска на ЭВМ, при этом значения параметров s i, т и Л о моделировались методом Монте-Карло в виде равномерно распределенных величин. Ошибки расчета оценивались в виде отношения разности расчетного и фактического значения параметра кривой усталости к фактическому значению. [c.62]

СЛУЧАЙНЫЙ ПОИСК В СИНТЕЗЕ М. (МЕТОД МОНТЕ-КАРЛО) — определение выходных параметров синтеза, при котором переход от одной комбинации параметров к другой носит произвольный характер. [c.331]

Вычисление Р производится при статистическом анализе схемы методом статистических испытаний (Монте-Карло). Метод Монте-Карло требует выполнения N вариантов анализа работы схемы при задании случайных значений параметрам компонентов в соответствии с их законами распределения. Точность оценки Р зависит, в частности, от количества вариантов N. причем минимально возможные значения N оказываются в диапазоне 50- 100. Очевидно, что статистический анализ должен проводиться многократно, так как целевая функция должна вычисляться на каждом шаге поиска. [c.41]

На первом этапе используются методы случайного или детерминированного поиска. Они состоят в том, что в пространстве допустимых параметров берутся точек и для каждой из них вычисляется значение функции качества. Выбираются, таким образом, JV конкретных вариантов исследуемой конструкции и прямым перебором этих вариантов находится наилучший при этом считается, что он находится поблизости от искомого оптимального варианта (вблизи глобального экстремума). В методах случайного поиска, называемых также методами Монте-Карло, N пробных точек в пространстве параметров выбираются случайным образом [77, 267]. В методах детерминированного поиска точек заполняют исследуемое пространство параметров в определенном смысле равномерно [285]. Опыт показывает, что при небольшом числе испытаний N более эффективны методы детермиийровапиого поиска. Один из таких методов, так называемый метод ЛП-иоиска, оказался эффективным при решении многих задач динамики машин [22, 146]. [c.270]

Метод случайного перебора (случайных испытаний или Монте-Карло) применяется на начальной стадии поиска. Число случайных испытаний и диапазон изменения переменных при этом считается фиксированым. С помощью метода Монте-Карло решаются две основные задачи отыскание начальной точки, принадлежащей допустимой области поиска или отыскание в начальном приближении глобального оптимального решения. Уточнение этого решения достигается сужением диапазона изменения переменных вокруг найденного решения. Эту процедуру можно повторить неоднократно. Если при заданном числе испытаний не удает-ся найти ни одной точки в допустимой области, то это число постепенно увеличивается. Невозможность отыскания допусти.мой точки за приемлемое число испытаний указывает на очень узкий (щелевидный) характер допустимой области, что практически встречается очень редко. В этом случае необходимо отказаться от использования метода Монте-Карло вообще и перейти к следующему методу — покоординатного поиска. [c.147]

При наличии нескольких управляющих функций на каждом ин тервале At ищется п параметров оптимизации. Для метода Монте-Карло это означает, что при единичном испытании вырабатывается последовательность псевдослучайных чисел, преобразуемых в случайные наборы yp i, 1= 1,..., п. При покоординатном поиске можно поступать двояко. В одном случае процедура поиска сохраняется неизменной. Тогда вариация параметров оптимизации, например, в сторону возрастания производится в последовательности У , У]п, У2, yin,..., /ml,..., Утп- В другОМ СЛуЧЗе ПОИСК Уp ,.. , Урп на любом интервале At осуществляется методами многомерного поиска, например градиентным. Во всех случаях увеличение числа управляющих функций приводит к увеличению времени поиска. [c.217]

Метод статистических испытаний. Это метод известен также под названием метода случайного перебора или метода Монте-Карло, а его сущность была изложена в 5.1.4. Применительно к оптимизаищи здесь производится просмотр изображающих точек, рассеянных в заданной области пространства параметров, также определяемой условиями (5.39), но случайным образом в соответствии с равномерным распределением вероятности. Иными словами, поиск в данном случае строится на предположении, що вероятность попадания изображающей точки в каждый участок разбиения (х, х. + Дх ) одинакова. Равномерное распределение плотйости вероятности по / -му параметру оптимизации показано на рис. 6.34. Для того чтобы изображающие точки были равномерно рассеяны по -мерному объему, необходимо обеспечить взаимную независимость случайных координат текущей изображающей точки по всем осям х.. На рис. 5.19 точки 1—4 распределены в пространстве параметров х,, Хг случайным образом. [c.154]

Так, в задаче маршрутизации транспортных средств локально-генетический метод позволил повысить точность решения примерно на 10 %. Локальногенетические алгоритмы также превосходят по эффективности случайный метод поиска (метод Монте-Карло). [c.240]

Простейшим но структуре алгоритмом глобального поиска является независимый поиск (методы Монте-Карло), оенованный на случайном переборе точек в ограниченном пространстве Gp варьируемых параметров [51, 90]. Характерной особенностью методов Монте-Карло является постоянная в течение всего поиска нлот-пость распределепия зондирующих точек. Поэтому для решения этими методами задач оптимизации машинных агрегатов с многомерными векторами Р варьируемых параметров обычно необходимо выполнить значительное число проб. Выгодным для задач динамического синтеза машинных агрегатов свойством метода случайного поиска е равномерным распределением пробных точек является возможность одновременного онределения нескольких оптимальных решений, соответствующих различным критериям эффективности. Это свойство независимого глобального поиска особенно важно для задач параметрической оптимизации машинных агрегатов, оперирующих с неприводимыми к единой мере локальными критериями эффективности. Такая ситуация характерна для параметрического синтеза динамических моделей машинных агрегатов по критериям эффективности, отражающим, ианример, общую несущую способность силовой цепи по разнородным факторам динамической нагругкепности ее отдельных звеньев (передаточного механизма п рабочей машины). Аналогичная ситуация возникает также при оптимизации характеристик управляемых систем машинных агрегатов по критериям устойчивости и качества регулирования. [c.274]

Несмотря на ряд очевидных преимуществ, методы случайного поиска не исключают необходимости использования в процессе численной реализации оптимизационных задач регулярных поисковых процедур. Так, если с11тл <5 и свойства функций моделей оптимизации достаточно просты, регулярный поиск по сравнению со случайным оказывается более быстродействующим. Особенно в таких задачах, где градиенты функций могут быть вычислены по аналитическим выражениям. Таким образом, наиболее эффективным и универсальным средством численной реализации задач оптимизации несущих конструкций следует считать алгоритмы, которые рационально, т. е. с учетом особенностей и свойств решаемого класса задач, сочетают достоинства как случайных, так и регулярных методов поиска. Данный вывод является итогом обобщения практического опыта решения задач оптимизации несущих конструкций из композитов (см. заключительные главы книги). При решении указанных задач использованы алгоритмы, содержащие как регулярные поисковые процедуры (метод проекции градиента Розена, метод скользящего допуска и др.), так и методы случайного поиска (поиск по наилучшей пробе и метод статистических испытаний (Монте-Карло)). Отдельные задачи решены методами теории планирования многофакторных экспериментов. Все использованные методы достаточно хорошо известны и подробно обсуждены в тех публикациях, на которые сделаны соответствующие ссылки. [c.217]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...