Проверяемый текст
Златин, Павел Андреевич; Методология комплексного анализа и моделирования инновационных процессов автоматизации и управления пассажирскими автотранспортными предприятиями в условиях неопределенности (Диссертация 2004)
[стр. 112]

С целыо исключения влияния начального этапа основного процесса на процесс управления, при определении оценки функционала отбрасывались первые 50 начальных значений.
Результаты эксперимента приведены на
рисунке в виде гистограммы распределения нормы вектора управляемого параметра.
На графике показана также аппроксимация гистограммы нормальным законом распределения.
В результате проведенных экспериментов можно сделать следующие выводы:
1) алгоритм управления с постоянным шагом выводит в окрестность экстремального значения управляемого параметра X; в процедуре стохастической аппроксимации на начальном этапе рационально использовать алгоритм с постоянной длиной шага, на основании результатов которого определяется начальное состояние, а затем реализуется сходящаяся последовательность.
Поскольку оценка скорости сходимости для многомерного случая определяется сложным рекуррентным соотношением, был проведен анализ сходимости с помощью имитационных экспериментов.
В результате анализа предлагается использовать алгоритм с двойным изменением шага.
На начальном этапе выполняется блуждание с постоянным шагом, затем запускается алгоритм стохастической аппроксимации с достаточно большими значениями параметров ао и со, и, наконец, выполняется алгоритм с меньшими значениями тех же параметров.
В таблице
3.5.
приведены значения параметров алгоритма с двойным изменением шага для одного из экспериментов с размерностью пространства управляемых параметров
4, количеством шагов 200, повторений реализаций 200.
[стр. 255]

стходисперсия выбора начального значения управляемого параметра; К —число шагов алгоритма; а, с фиксированные коэффициенты.
С целью исключения влияния начального этапа основного процесса на процесс управления, при определении оценки функционала отбрасывались первые 50 начальных значений.
Результаты эксперимента приведены на
рис.4.16, в виде гистограммы распределения^ нормы вектора управляемого параметра.
Распределение нормы управляемого параметра при постоянной длине шага Рис.
4.16.
На графике показана также аппроксимация гистограммы нормальным законом распределения.
В результате проведенных экспериментов можно сделать следующие выводы:
алгоритм управления с постоянным шагом выводит в окрестность экстремального значения управляемого параметраX;

[стр.,256]

в процедуре стохастической аппроксимации: на начальном этапе рационально использовать алгоритм с постоянной длиной шага, на основании результатов которого определяется начальное состояние, а затем: реализуется сходящаяся последовательность.
Анализ поведения алгоритма при переменной длине шага Поскольку оценка скорости сходимости для многомерного случая определяется сложным рекуррентным соотношением, был проведен анализ сходимости с помощью имитационных экспериментов.
В результате анализа предлагается использовать алгоритм с двойным изменением шага.
На начальном этапе выполняется блуждание с постоянным шагом, затем запускается алгоритм стохастической аппроксимации с достаточно большими значениями, параметров аои со, и, наконец, выполняется алгоритм с меньшими значениями тех же параметров.
В таблице
4.3.
приведены значения параметров алгоритма с двойным изменением шага для одного из экспериментов с размерностью пространства управляемых параметров
Л', количеством шагов 200, повторений реализаций 200: Таблица 4.3.
ЗНАЧЕНИЯ ПАРАМЕТРОВ Этап ЦАЦ CVxO К я<0> Оо ар Со ср 1 9 1 3 20 0.1 0.3 2 9; 1 30 1 0.8 1 0.3 3 9 1 50 0.2 0.8 0,5 0.25 Первый этап соответствует алгоритмус постоянным шагом, второй•и третий сходящимся алгоритмам.
В таблице: ЦАЦнорма матрицы А; 0 Удисперсия оценки функционала; стходисперсия выбора начального значения управляемого параметра; К число шагов алгоритмов;

[Back]