S-p.su

Антикризисные новости
0 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Анализ методов решения задачи

Анализ методов решения задачи

Анализ методов решения задачи — раздел Связь, Локальные вычислительные сети на базе IBM PC AT совместимых ПЭВМ Анализ Методов Решения Задачи. Для Решения Данной Проблемы Предложено .

Анализ методов решения задачи.

Для решения данной проблемы предложено создать единую информационную сеть ЕИС предприятия. ЕИС предприятия должна выполнять следующие функции 1. Создание единого информационного пространства, способного охватить всех пользователей и предоставить им информацию созданную в разное время и в разном программном обеспечении для ее обработки, а также осуществлять распараллеливание и жесткий контроль данного процесса. 2. Повышение достоверности информации и надежности ее хранения путем создания устойчивой к сбоям и потери информации вычислительной системы, а так же создание архивов данных которые можно использовать в дальнейшем, но на текущий момент необходимости в них нет. 3. Обеспечения эффективной системы накопления, хранения и поиска технологической, технико экономической и финансово экономической информации по текущей работе и проделанной некоторое время назад архивная информация с помощью создания глобальной базы данных. 4. Обработка документов и построения на базе этого действующей системы анализа, прогнозирования и оценки обстановки с целью принятия оптимального решения и выработки глобальных отчетов. 5. Обеспечивать прозрачный доступ к информации авторизованному пользователю в соответствии с его правами и привилегиями.

В данной работе на практике рассмотрено решение 1 го пункта поставленной задачи создание единого информационного пространства, путем рассмотрения и выбора лучшего из существующих способов или их комбинации.

Рассмотрим нашу ИВС. Упрощая задачу можно сказать, что это локальная вычислительная сеть ЛВС. Что такое ЛВС Под ЛВС понимают совместное подключение нескольких отдельных компьютерных рабочих мест рабочих станций к единому каналу передачи данных.

Самая простая сеть англ. network состоит как минимум из двух компьютеров, соединенных друг с другом кабелем.

Это позволяет им использовать данные совместно. Все сети независимо от сложности основываются именно на этом простом принципе. Рождение компьютерных сетей было вызвано практическими потребностью иметь возможность для совместного использования данных. Понятие локальная вычислительная сеть ЛВС англ. LAN Local Area Network относится к географически ограниченным территориально или производственно аппаратно-программным реализациям, в которых несколько компьютерных систем связанны друг с другом с помощью соответствующих средств коммуникаций.

Благодаря такому соединению пользователь может взаимодействовать с другими рабочими станциями, подключенными к этой ЛВС. Существует два основных типа сетей одноранговые и сети на основе сервера. В одноранговой сети все компьютеры равноправны нет иерархии среди компьютеров и нет выделенного англ. dedicated сервера. Как правило, каждый компьютер функционирует и как клиент, и как сервер иначе говоря, нет отдельного компьютера, ответственного за администрирование всей сети. Все пользователи самостоятельно решают, какие данные на своем компьютере сделать общедоступным по сети. На сегодняшний день одноранговые сети бесперспективны, поэтому в данной работе они не рассматриваются.

Если к сети подключено более 10 пользователей, то одноранговая сеть, где компьютеры выступают в роли и клиентов, и серверов, может оказаться недостаточно производительной. Поэтому большинство сетей использует выделенные серверы.

Выделенным называется такой сервер, который функционирует только как сервер исключая функции клиента или рабочей станции. Они специально оптимизированы для быстрой обработки запросов от сетевых клиентов и для управления защитой файлов и каталогов. Сети на основе сервера стали промышленным стандартом, и именно они будут рассмотрены в этой работе. Существуют и комбинированные типы сетей, совмещающие лучшие качества одноранговых сетей и сетей на основе сервера. В производственной практики ЛВС играют очень большую роль. Посредством ЛВС в систему объединяются персональные компьютеры, расположенные на многих удаленных рабочих местах, которые используют совместно оборудование, программные средства и информацию.

Рабочие места сотрудников перестают быть изолированными и объединяются в единую систему. Рассмотрим преимущества, получаемые при сетевом объединении персональных компьютеров в виде внутрипроизводственной вычислительной сети. Разделение ресурсов. Разделение ресурсов позволяет экономно использовать ресурсы, например, управлять периферийными устройствами, такими как печатающие устройства, внешние устройства хранения информации, модемы и т.д. со всех подключенных рабочих станций.

Разделение данных. Разделение данных предоставляет возможность доступа и управления базами данных с периферийных рабочих мест, нуждающихся в информации. Разделение программных средств. Разделение программных средств предоставляет возможность одновременного использования централизованных, ранее установленных программных средств.

Разделение ресурсов процессора. При разделении ресурсов процессора возможно использование вычислительных мощностей для обработки данных другими системами, входящими в сеть. Предоставляемая возможность заключается в том, что на имеющиеся ресурсы не набрасываются моментально, а только лишь через специальный процессор, доступный каждой рабочей станции. Многопользовательский режим. Многопользовательские свойства системы содействуют одновременному использованию централизованных прикладных программных средств, обычно заранее установленных на сервере приложения англ. Application Server.

Читать еще:  В ходе проведения ситуационного анализа рассматриваются

Все ЛВС работают в одном стандарте принятом для компьютерных сетей в стандарте Open Systems Interconnection OSI.

Анализ методов решения задач оптимального управления.

Методы оптимизации — поиска экстремума функции при наличии ограничений или без ограничений очень широко используются на практике. Это прежде всего оптимальное проектирование (вы­бор наилучших номинальных технологических режимов, элемен­тов конструкций, структуры технологических цепочек, условий экономической деятельности, повышение доходности и т.д.), оптимальное управление, построение нелинейных математиче­ских моделей объектов управления (минимизации невязок раз­личной структуры модели и реального объекта) и многие другие аспекты решения экономических и социальных проблем (напри­мер, управление запасами, трудовыми ресурсами, транспортны­ми потоками и т.д. и т.п.).

Существует достаточно большое количество численных ме­тодов оптимизации.

Основные из них классифицируются следующим образом:

1. По размерности решаемой задачи: одномерные и многомер­ные.

2. По способу формирования шага многомерные методы де­лятся на следующие виды:

· по способу вычисления градиента: с парной пробой и с центральной пробой;

· по алгоритму коррекции шага;

· по алгоритму вычисления новой точки: одношаговые и многошаговые.

2.2. Безградиентные: с поочередным изменением переменных и с одновременным изменением переменных.

2.3. Случайного поиска: с чисто случайной стратегией и со смешанной стратегией.

3. По наличию активных ограничений.

3.1. Без ограничений (безусловные).

3.2. С ограничениями (условные):

· с ограничениями типа равенств;

· с ограничениями типа неравенств;

1. Методы одномерной оптимизации являются базой для не­которых «многомерных» методов. К данному методу относятся

1)метод деления пополам, который основан на делении текущего отрезка [a, b] на две равные части с последующим выбором одной из половин, в которой локализуется максимум в качестве следующего текущего отрезка.

2)метод золотого сечения, который основан на делении текущего отрезка [a, b] на две неравные части, подчиняющиеся правилу золотого сечения. Для определения следующего отрезка, содержащего максимум.

2. Многомерная безусловная градиентная оптимизация.

При отыскании экстремумов функции R(x) используются методы без активных ограничений, а величина шага в рекуррентном соотношении xi+1=xi+ i вычисляется с использованием градиента целевой функции R(x), т.е. i=f(grad R(xi)). При этом шаг может определяться с использованием градиента в одной (текущей) или двух (текущей и предыдущей) точках. Направление градиента показывает направление наискорейшего возрастания функции, а его модуль – скорость этого возрастания. К методам данной оптимизации относится метод наискорейшего спуска и метод сопряженных направлений.

3. Многомерная безусловная безградиентная оптимизация.

В данных численных методах опти­мизации величина и направление шага к оптимуму формируются однозначно по определенным детерминированным функциям в зависимости от свойств критерия оптимальности в окрестности текущей точки без использования производных (т.е. градиента). Все алгоритмы имеют итерационный характер и выражаются формулой
x i+1 =x i+f [R(xi)].

Основная особенность рассматриваемой группы методов — отсутствие вычисления градиента критерия оптимальности. Ряд методов прямого поиска базируется на последовательном применении одномерного поиска по переменным или по другим задаваемым направлениям, что облегчает их алгоритмизацию и применение. К методам данной оптимизации относится метод Зейделя – Гаусса

4. Многомерная безусловная случайная оптимизация.

В методах случайного поиска шага при построении улучшающей последовательности x i+1 =xi + i формируется случайным образом. Поэтому в одной и той же ситуации шаг может быть различен в отличие от регулярных методов.

В целом случайные методы поиска предпочтительнее регу­лярных в задачах высокой размерности n>10 и вдали от оптиму­ма. Методы этой группы позволяют в среднем быстрее выходить в район оптимума. Эффективны данные методы и при поиске глобального оптимума. Кроме того, случайные методы имеют ту осо­бенность, что даже при одних и тех же неформально задаваемых параметрах они дадут различные траектории поиска.

5. Многомерная условная оптимизация.

К данной оптимизации относятся численные методы по­строения улучшающих последовательностей при наличии огра­ничений типа равенств (связей) и типа неравенств (ограничений). Сюда не входят методы, использующие условия оп­тимальности. Во всех методах строится в допустимой области последовательность точек, в которых значения критерия улучша­ются. Поиск осуществляется градиентным методом.

Допустимая область может формироваться автономными ог­раничениями ximin xi ximax, связями fj(x1, x2, …xn)=0 (j=1, 2, …m) и ограничениями fj(x1, x2, …xn)>0, для j = 1. р.

Функции, задающие ограничения, могут формировать допус­тимую область с различными свойствами: монотонными, коле­бательными, с большой и малой кривизной и т.д., что оказывает влияние на эффективность методов поиска.

Последнее изменение этой страницы: 2017-02-21; Нарушение авторского права страницы

Читать еще:  Анализ сезонных колебаний в статистике

Анализ решаемых задач

Классификация математических моделей

Важным этапом изучения явлений, предметов, процессов явля­ется их систематизация, которая обычно завершается класси­фикацией по ряду признаков, а поскольку признаков может быть достаточно много, то и выполненные классификации могут различаться между собой. Любая классификация должна преследовать достижение поставленных целей. Выбор цели определяет набор тех признаков, по которым она будет прово­диться.

1. Исходные данные

2. Искомые переменные

Исходные данныеИскомые переменныеЗави­симостиКлассы задач
Детермини­рованныеНепрерыв­ныеЛинейныеЛинейного программи­рования
Детермини­рованныеЦелочис­ленныеЛинейныеЦелочислен­ного програм­мирования
Детермини­рованныеНепрерыв­ные, цело­численныеНелинейныеНелинейного программи­рования
СлучайныеНепрерыв­ныеЛинейныеСтохастичес­кого програм­мирования

Основные этапы работ при принятии оптимальных решений следующие:

Требования, которым должна удовлетворять задача:

– должно существовать, как минимум, два варианта ее ре­шения; ведь если вариантов решения нет, значит, и выбирать не из чего;

– надо четко знать, в каком смысле искомое решение должно быть наилучшим. Если же мы четко не знаем, чего хотим, то математические методы, реализованные даже на самом лучшем компьютере, помочь не смогут.

2. Выбор задачи завершается ее содержательной постановкой.

Содержательная постановка задачи является переходным мостиком от желания решить задачу к ее формулировке в такой форме, на основании которой было бы ясно, каковы элементы математической модели:

– исходные данные величины — детерминированные или случайные;

– искомые переменные — непрерывные или дискретные;

– пределы, в которых могут находиться значения искомых величин в оптимальном решении;

– зависимости между переменными — линейные или нели­нейные;

– критерии, по которым следует находить оптимальное решение.

3. Составление математической модели.

4. Сбор исходных данных.

5. Решение задачи.

6. Анализ решения.

7. Принятие оптимального решения — конечный этап работы. Надо четко себе представлять, что решение принимает не компьютер, не Excel, а тот человек, который должен отвечать за результаты принятого решения.

8. Графическое представление результата решения и анализа — мощный фактор наглядности информации, необходимой для принятия решения.

В современной медицине никто не будет устанавливать диаг­ноз и выписывать лекарства, т. е. принимать решение, без ре­зультатов анализа. К сожалению, при принятии решений в экономике и технике так бывает далеко не всегда.

Мощным средством анализа является математическая модель. Не стоит покупать ружье, чтобы сделать только один выстрел. Нецелесообразно тратить время и средства на составление ма­тематической модели, чтобы по ней выполнить один единст­венный расчет.

Математическая модель, как мы уже говорили, является пре­красным средством получения ответов на широкий круг самых разнообразных вопросов, возникающих при принятии опти­мальных решений.

1. При постановке задачи

а) Вариантный анализ

— При условных исходных данных

б) Решения по заказу

2. После получения оптимального решения

Параметрическим будем называть такой анализ, который заключается в решении задачи при различных значениях некоторого параметра. Примеры параметрического анализа приводятся в книге неоднократно.

Под структурным анализом будем понимать решение зада­чи оптимизации при различной структуре ограничений.

Многокритериальный анализ — это решение задачи по раз­ным целевым функциям.

Если исходные данные, используемые при решении зада­чи, зависят от соблюдения дополнительных условий, то такой анализ называется анализом при условных исходных данных.

Во вторую группу задач анализа — решения по заказу — входят задачи, целью которых является решение задачи оптимизации при заданных значениях: переменных, левых частей ограниче­ний, целевой функции.

Кроме анализа, выполняемого на этапе постановки задачи, мощным средством, помогающим принять решение, является анализ полученного оптимального решения.

Рис. 12. Схема процесса выработки решения с применением ЭВМ

41 Определение понятий целей и задачи см. в гл. 2 и 8.

42 Это набор характеристик для решения практических, но не исследовательских проблем.

43 Критерий — это основной признак, по которому одно решение выбирается из многих возможных

|следующая лекция ==>
VI. Оптимизационные процедуры|Способы получения альдегидов и кетонов

Дата добавления: 2013-12-12 ; Просмотров: 1473 ; Нарушение авторских прав?

Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет

Анализ вариантов решения задачи

Исследование методов решения сложных задач роста популяции и мутации средствами языка программирования высокого уровня Borland Pascal. Особенности операции скрещивания в генетическом алгоритме. Описание и обоснование выбранного варианта решения.

РубрикаПрограммирование, компьютеры и кибернетика
Видкурсовая работа
Языкрусский
Дата добавления26.05.2015
Размер файла331,9 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Читать еще:  Анализ выполнения личного плана работы

Министерство образования и науки

Томский государственный университет систем управления и

Кафедра автоматизации обработки информации

по дисциплине «Информатика (КП)»

учебное пособие Тимченко С.В.

Селигеев Александр Сергеевич

1. Анализ вариантов решения задачи

2. Описание и обоснование выбранного варианта решения

3. Результаты эксперимента

Выводы и рекомендации по результатам работы

Данная курсовая работа рассчитана на изучение студентом методов решения сложных задач роста популяции и мутации средствами языка программирования высокого уровня Borland Pascal.

популяция программирование алгоритм pascal

Рассмотреть одноточечное скрещивание и двухточечную мутацию.

Каждая переменная кодируется 30 битами.

Провести расчеты для 30 и 100 поколений.

Сравнить получающиеся решения при размерах популяции 10,20,30 особей.

1. Анализ вариантов решения задачи

В классическом генетическом алгоритме операция скрещивания представляет собой, так называемое точечное скрещивание. Также применяются и другие виды скрещивания: двухточечное, многоточечное и равномерное. Рассмотрим все эти методы.

Точечное скрещивания происходит следующим образом. Выбираются пары хромосом из родительской популяции. Далее для каждой пары отобранных таким образом родителей разыгрывается позиция гена (локус) в хромосоме, определяющая так называемую точку скрещивания — . Если хромосома каждого из родителей состоит из генов, то очевидно, что точка скрещивания представляет собой натуральное число, меньшее . Поэтому фиксация точки скрещивания сводится к случайному выбору числа из интервала . В результате скрещивания пары родительских хромосом получается следующая пара потомков:

потомок, хромосома которого на позициях от до состоит из генов первого родителя, а на позициях от до — из генов второго родителя;

потомок, хромосома которого на позициях от до состоит из генов второго родителя, а на позициях от до — из генов первого родителя.

Действие оператора скрещивания проиллюстрировано следующим примером.

Двухточечное скрещивание — отличается от точечного скрещивания тем, что родительские хромосомы обмениваются участком генетического кода, который находится между двумя случайно выбранными точками скрещивания.

Многоточечное скрещивание представляет собой обобщение предыдущих операций и характеризуется соответственно большим количеством точек скрещивания. Например, для трех точек скрещивания, равных 4, 6 и 9, и для тех же родителей, что на рисунке выше, результаты будут следующие.

Для четырех точек скрещивания, равных 4, 6, 9 и 11 можно привести такой пример.

Аналогично производится скрещивание для пяти или большего количества точек. Очевидно, что одноточечное скрещивание может считаться частным случаем многоточечного скрещивания.

Равномерное скрещивание, иначе называемое монолитным или одностадийным, выполняется в соответствии со случайно выбранным эталоном, который указывает, какие гены должны наследоваться от первого родителя (остальные гены берутся от второго родителя). Допустим, что выбран эталон , в котором означает принятие гена на соответствующей позиции от первого родителя, а — от второго родителя. Таким образом, сформируется первый потомок. Для второго потомка эталон необходимо считывать аналогично, причем означает принятие гена на соответствующей позиции от второго родителя, а — от первого родителя. Пример равномерного скрещивания представлен на рисунке ниже.

Оператор инверсии. Холланд предложил три технологии для получения потомков, отличающихся от родительских хромосом. Это уже известные операции скрещивания и мутации, а также операция инверсии. Инверсия выполняется на одиночной хромосоме; при ее осуществлении изменяется последовательность аллелей (последний ген меняется местами с первым, предпоследний — со вторым и т.д.) между двумя случайно выбираемыми позициями в хромосоме. Несмотря на то, что этот оператор был определен по аналогии с биологическим процессом хромосомной инверсии, он не слишком часто применяется в генетических алгоритмах. Пример инверсии проиллюстрирован ниже.

2. Описание и обоснование выбранного варианта решения

Оператор скрещивание (crossover) осуществляет обмен частями хромосом между двумя (может быть и больше) хромосомами в популяции. Может быть одноточечным или многоточечным. Одноточечный кроссовер работает следующим образом. Сначала, случайным образом выбирается одна из l-1 точек разрыва. Точка разрыва — участок между соседними битами в строке. Обе родительские структуры разрываются на два сегмента по этой точке. Затем, соответствующие сегменты различных родителей склеиваются и получаются два генотипа потомков.

Мутация (mutation) — стохастическое изменение части хромосом. Строке, которая подвергается мутации, каждый бит с вероятностью Pmut (обычно очень маленькой) меняется на другой.

Алгоритм работы ГА

Работа ГА представляет собой итерационный процесс, который продолжается до тех пор, пока не выполнятся заданное число поколений или какой-либо иной критерий останова. На каждом поколении ГА реализуется отбор пропорционально приспособленности, кроссовер и мутация.

Алгоритм работы простого ГА выглядит следующим образом:

3. Результаты эксперимента

Основные переменные, используемые при реализации алгоритма

три непересекающихся популяции — старая, новая и промежуточная

Ссылка на основную публикацию
Adblock
detector