|
моделировании. Результаты анализа показали устойчивую к начальному состоянию и дисперсии сходимость симметричного и центрального алгоритмов. Дисперсия оценки для различных планов при ст=10 Х0=1 ak=0.1/k с k=2/k° 1 к Рис. 3.13. Приведенные рекуррентные соотношения дают лишь верхнюю оценку дисперсии, поэтому был проведен имитационный эксперимент. На основании обработки 100 выборочных траекторий управляемого параметра X построен график математического ожидания М (Х) и дисперсии D(X)S в зависимости от номера шага и а=10. Для сравнения приведен график дисперсии D (X)r, полученной при рекуррентном анализе. Скорость сходимости алгоритмов существенно зависит от характеристик функционала, задаваемого имитационной моделью, и параметров самого алгоритма стохастической аппроксимации. В связи с этим был проведен ряд экспериментов по оценке влияния параметров алгоритма на скорость сходимости. В итоге можно сделать следующие рекомендации: |
моделировании. Результаты анализа показали устойчивую к начальному состоянию и дисперсии сходимость симметричного и центрального алгоритмов. Приведенные рекуррентные соотношения дают лишь верхнюю оценку дисперсии, поэтому был проведен имитационный эксперимент. На основании обработки 100 выборочных траекторий управляемого параметра X построен график математического ожидания MCA") и дисперсии D(.Y)S в зависимости от номера шага и о=10. Для сравнения приведен график дисперсии D(A^r, полученной при рекуррентном анализе. Имитационные оценки тренда и дисперсии X а к =0.1/к С К= 2 / к °'1 К Рис. 4.15. Скорость сходимости алгоритмов существенно зависит от характеристик функционала, задаваемого имитационной моделью, и параметров самого алгоритма стохастической аппроксимации. В связи с этим был проведен ряд экспериментов по оценке влияния параметров алгоритма на скорость сходимости. В итоге можно сделать следующие рекомендации: |