Автор молодец выполнил работу раньше срока. Спасибо
Информация о работе
Подробнее о работе
Диплом Машинное обучение "Применение машинного обучения в одномерном алгоритме глобальной оптимизации"
- 42 страниц
- 2019 год
- 29 просмотров
- 2 покупки
Гарантия сервиса Автор24
Уникальность не ниже 50%
Фрагменты работ
Одномерные задачи глобальной оптимизации являются базовыми алго¬ритмами, которые используются для построения быстрых многомерных ме¬тодов. У таких задач имеется практическое значение, они нередко возникают в различных областях: электроники, электротехники и многих других.
Сложности решения одномерных задач связаны с требованием боль-шого количества вычислительных ресурсов. Для решения таких задач используются алгоритмы, которые были специально разработаны для решения одномерной задачи:
f * = f (х*) = minf (х), (1)
где а < х < b. В таких задачах целевая функция f (х) будет являться много-экстремальной функцией, которая выполняет условие Липшица.
Рассматриваются три подхода решения одномерных задач глобальной оптимизации. Первый подход состоит из различных методов геометриче¬ского типа, которые в процессе поиска глобального решения создают дополнительные функции. Данные функции аппроксимируют целевую функ¬цию f (х) в области поиска.
Второй подход является информационно-статистическим. Данный под¬ход объединяет методы, в алгоритмах которых поиск глобального минимума строятся на основе вероятностной модели целевой функции.
Третий подход даёт возможность создать методы глобальной оптимиза¬ции, которые в процессе поиска настраиваются на локальное поведение целе¬вой функции в различных частях допустимой области. Суть метода заключа¬ется в сопряжении глобальной и локальной информации при адаптивном оценивании локальных констант Липшица.
ВВЕДЕНИЕ 4
1 РАССМОТРЕНИЕ АЛГОРИТМОВ РЕШЕНИЯ ОДНОМЕРНОЙ
ЗАДАЧИ И МЕТОДОВ ОЦЕНКИ КОНСТАНТЫ ЛИПШИЦА 6
1.1 Алгоритм решения задач с недифференцируемой целевой функ¬цией и априорно заданной оценкой константы Липшица 6
1.2 Алгоритм информационно-статистического метода решения задач
с недифференцируемой целевой функцией с адаптивным оцениванием глобальной константы Липшица 7
1.3 Алгоритм решения задач геометрическим методом с недифферен¬
цируемой целевой функцией и адаптивным оцениванием локальных констант Липшица 10
1.4 Способы оценивания константы Липшица 12
2 МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ И РАЗРАБОТАНЫЙ
АЛГОРИТМ 15
2.1 Обучение нейронной сети 15
2.2 Информационно-статистический метод решения задач с недиф¬
ференцируемой целевой функцией и адаптивным оцениванием глобальной константы Липшица 17
3 ИСХОДНЫЕ ДАННЫЕ И РЕЗУЛЬТАТЫ ВЫЧИСЛИТЕЛЬНЫХ
ЭКСПЕРИМЕНТОВ 21
ЗАКЛЮЧЕНИЕ 32
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 33
ПРИЛОЖЕНИЕ 1 Код алгоритма решения задач геометрическим методом с недифференцируемой целевой функцией и адаптивным оцениванием локальных констант Липшица с применением машинного обучения 36
Диплом, хорошо написан на питоне. Используется машинное обучение
Исходный код есть
Защищался в магнитогорске, можно спокойно юзать
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Гришагин, В.А. Сравнительная оценка эффективности синхронных и асинхронных рекурсивных алгоритмов глобальной оптимизации. Материалы третьего Международного научно-практического семинара «Высокопроизво¬дительные параллельные вычисления на кластерных системах» / В.А. Гри¬шагин, Д.Е. Квасов, Я.Д. Сергеев // Н. Новгород: Издательство ННГУ. - 2003. - С. 243-246.
2. Иванов, В.В. Об оптимальных алгоритмах минимизации функций не¬которых классов / В.В. Иванов //Кибернетика. - 1972. - Т. 4. - С. 81-94.
3. Марчук, Г.И. Методы вычислительной математики. 3-е издание / Г.И. Марчук. - М.: Наука - 1989.
4. Неймарк, Ю.И. Информационный подход к задаче поиска экстре-мума функций. Изв. АН СССР. Техническая кибернетика / Ю.И. Неймарк, Р.Г. Стронгин // 1966. - Т. 1. - С. 17-26.
10. Сергеев, Я.Д. Диагональные методы глоб. оптимизации / Я.Д. Сер¬геев, Д.Е. Квасов // М.: ФИЗМАТЛИТ. - 2008. - 352 с.
11. Сергеев Я.Д. Краткое введение в теорию липшицевой глобальной оптимизации: учебно-методическое пособие / Я.Д. Сергеев, Д.Е. Квасов // Нижний Новгород: Изд-во ННГУ. - 2016. - 48 с.
12. Сергеев, Я.Д. Одномерный детерминированный алгоритм глобаль¬ной минимизации. Ж. вычисл. матем и матем. физ / Я.Д. Сергеев. - 1995. - С. 705-717.
13. Стронгин, Р.Г. Информационный метод многоэкстремальной мини¬мизации при измерениях с помехами. Изв. АН СССР / Р.Г. Стронгин // Техническая кибернетика. - 1969. - Т. 6. - С. 118-126.
14. Стронгин, Р.Г. О сходимости одного алгоритма поиска глобального экстремума. Изв. АН СССР / Р.Г. Стронгин // Техническая кибернетика. - 1973. - С. 10-16.
15. Стронгин, Р.Г. Численные методы в многоэкстремальных задачах / Р.Г. Стронгин. - М.: Наука - 1978. - 128 с.
16. Стронгин, Р.Г Поиск глобального минимума / Р.Г. Стронгин. - М.: Знание - 1990.
Форма заказа новой работы
Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям
