Увеличаване - скорост - конвергенция - Голямата енциклопедия на нефта и газа, статия, страница 1
Увеличаване - Скорост - Конвергенция
Увеличението на скоростта на конвергенция в сравнение със скоростите за методите на Якоби и Гаус-Зайдел става значително при p(Bj), близко до единица. [1]
Обсъдете увеличаването на степента на конвергенция, постигната чрез насочения метод на Гаус-Зайдел; колко допълнителни разходи могат да бъдат позволени за процедура за намиране на посока и въпреки това да се постигне по-голяма ефективност от конвенционалния метод на Gauss-Seidel. [2]
Има различни начини за увеличаване на скоростта на сходимост на алгоритмите за стохастична апроксимация, които, както виждаме, са много близки до градиентните методи, разработени в предишната глава. Може би най-лесният начин е да запазите Yu постоянен, докато знакът на наблюдаваното количество (z(x) или I(u)) се промени, след което да промените K1, така че да удовлетворите гореспоменатите ограничения. Тази схема може да бъде оправдана от факта, че далеч от нулата на функциите b(x) или dQ(u)/du са най-вероятни наблюдения с един и същи знак, докато в близко съседство на нула знакът на наблюденията често ще се променя. [3]
В [18], [19], за да се увеличи скоростта на конвергенция, беше предложен методът на материалната точка, чиято идея е следната. [4]
Задаването на постоянен коефициент на тежест за метода на идентификация води до увеличаване на скоростта на конвергенция на последователността от оценки, тъй като в този случай грешката намалява според експоненциалния закон, за разлика от закона за степента, получен с намаляваща последователност от коефициенти на тежест. [5]
Предложени са няколко модификации на тази техника за увеличаване на степента на конвергенция. [6]
Докато подизвадката води, както видяхме, до нежелан ефект на псевдоним, умелоприлагането на хиперсемплиране може да се използва за увеличаване на степента на конвергенция. Нека покажем как може да стане това. [8]
Класическият метод на обратно разпространение се отнася до алгоритми с линейна конвергенция. За да се увеличи скоростта на сходимост, е необходимо да се използват матрици на вторите производни на функцията на грешката. [9]
Нютон се допълва от линейно търсене, алгоритъмът се нарича модифициран (демпфиран) метод на Нютон. Тази модификация не осигурява абсолютна конвергенция, така че обикновено се използва за увеличаване на скоростта на конвергенция в близост до минималната точка, докато методът на градиента се използва за първоначално приближение. [10]
Сравнението на този метод, използван във връзка с метода на последователните итерации, с такива методи за ускоряване на конвергенцията като метода 9 ± 7 [291, 285], модифицирания метод 6 [293] и конвенционалния метод на последователните итерации [294], показа, че скоростта на конвергенция на метода на смущението е много по-висока в сравнение със скоростта на конвергенция, постигната с помощта на 6 ± 7 метод и малко по-висока от тази за останалите. Стойността на параметъра 6 в уравнение (83) се препоръчва да се приеме равна на 0 5, тъй като при големи 8, с увеличаване на скоростта на конвергенция, се наблюдава значително колебание на решението, а при по-ниски стойности от 8 скоростта на конвергенция става твърде малка. Сред другите работи в тази насока трябва да се открои работата [295], която предлага метод, който позволява в определени случаи (много ограничен кръг от проблеми) да се получи сходимост, която е много по-висока от скоростта на сходимост на модифицирания метод на релаксация. [единадесет]
Значителен брой тегловни коефициенти на модела на невронната мрежа и бавната конвергенция на метода за градиентна оптимизация затрудняватизползвайки принципа на регулиране, базиран на обратни модели на невронни мрежи, обучени в реално време. Изчислителните (времеви) разходи за обучение на модел на невронна мрежа могат да бъдат намалени чрез прилагане на обобщен метод на обучение в предварителния етап на инициализиране на регулируемите параметри на модела на невронната мрежа. В допълнение, методът на Гаус-Нютон може да се използва за увеличаване на скоростта на конвергенция. [13]
Видът на функциите се определя от математическия модел на клетката. За да се намери минимумът на целевата функция ( 111 21) в този случай е удобно (да се използва методът на градиента. При дадено нарастване в m се определя нарастването на целевата функция и нейния знак. Чрез промяна на знака се намира екстремната стойност τ0pt - За да се увеличи скоростта на сходимост на алгоритъма за изчисление, първо се препоръчва да се вземе увеличена времева стъпка (например 7 дни [15]