Проверяемый текст
Златин, Павел Андреевич; Методология комплексного анализа и моделирования инновационных процессов автоматизации и управления пассажирскими автотранспортными предприятиями в условиях неопределенности (Диссертация 2004)
[стр. 110]

110 Имитационные оценки тренда и дисперсии X a k=0.1/k C k=2/k° 1 К Рис.
3.14.
1) при далеких от экстремума начальных состояниях значение параметра
ап лучше брать большим, а при близких малым.
При этом величина дисперсии оценки функционала практически не влияет на оптимальное значение
ап; 2) увеличение нормы квадратичной функции А приводит к уменьшению оптимальных значений параметров ап и Сп■Увеличение как нормы, так и дисперсии оценки уменьшает влияние начального отклонения от экстремума на выбор значений параметров а0 и сп\ 3) при вариациях дисперсии оценки функционала получен следующий результат: увеличение СКО оценки У в 10 раз привело к увеличению СКО оценки параметра X в 3 раза.
Таким образом, дисперсия оценки функционала слабо влияет на сходимость алгоритма.

Если значения коэффициентов а^ и с^ зафиксировать и сделать постоянными, то получим управляющий алгоритм с постоянным шагом, который реализует некоторый процесс бесконечного блуждания в
[стр. 254]

1)при далеких от экстремума начальных состояниях значение параметра ао лучше брать большим, а при близких малым.
При этом величина дисперсии оценки функционала практически не влияет на оптимальное значение
а0 ; 2)увеличение нормы, квадратичной функции А приводит к уменьшению оптимальных значений параметров ао и со.
Увеличение как нормы, так и дисперсии оценки уменьшает влияние начального отклонения от экстремума на выбор значений параметров а0и с0; 3)при вариациях дисперсии оценки функционала получен следующий результат: увеличение СКО оценки Y в 10 раз привело к увеличению СКО оценки параметра X в 3 раза.
Таким образом, дисперсия оценки функционала слабо влияет на сходимость алгоритма.

Анализ поведения алгоритма при постоянной длине шага Если значения коэффициентов и ск зафиксировать и сделать постоянными, то получим управляющий алгоритм с постоянным шагом, который реализует некоторый процесс бесконечного блуждания в пространстве управляемых параметров.
Анализ проводился методом имитационного моделирования.
В таблице 4.2.
приведены значения параметров алгоритма в одном из экспериментов.
Размерность пространства управляемых параметров равна 4, количество повторных реализаций 400.
Таблица 4.2.
ЗНАЧЕНИЯ УПРАВЛЯЕМЫХ ПАРАМЕТРОВ 254 1А СТУ 0x0 К а с 9 1 3 500 0.3 0.3 В таблице: [А норма матрицы А; аудисперсия оценки функционала;

[Back]