Широкое соответствие Точное соответствие Расчет связей
Документы, содержащие ссылки с данным словом (8)
текст-ссылка: 0.22 (0.04)
текст-предложение: 0.36 (-0.06)
текст-текст: 0.76 (-0.04)
Текст ссылки | Предложение ссылки | Заголовок источника | Связь | ||||
---|---|---|---|---|---|---|---|
ссылка-текст ср. | ссылка-текст макс. | предложение-текст | текст-текст | ||||
kommersant.ru | продолжать | О ней “Ъ” известно, что ее оформили в фиктивную семью и анкета Леры пропала из банка данных, хотя ребенок продолжал жить в детском доме-интернате. | 0.16303 | 0.20033 | 0.20595 | 0.93789 | |
kommersant.ru | продолжать | Обозреватель «Коммерсантъ FM» Петр Воронков продолжает рассказывать о путешествии на Lada Vesta CNG из Оренбурга в Санкт-Петербург. С пылу с жару, — то, что называется, с колес. | 0.14297 | 0.15958 | 0.16010 | 0.76526 | |
rbc.ru | продолжать | Однако жители Подмосковья и юго-востока Москвы продолжают жаловаться на вонь и плохое самочувствие. | 0.10804 | 0.14211 | 0.17516 | 0.69419 | |
interfax.ru | продолжать | По словам источника, у находящихся на МКС космонавтов достаточно продовольствия, чтобы экипаж мог продолжать автономный полет до весны 2019 года. | 0.19431 | 0.28067 | 0.21885 | None | |
kommersant.ru | продолжать | В США политикам продолжают приходить посылки со взрывными устройствами. | 0.13469 | 0.22221 | 0.17663 | None | |
interfax.ru | продолжать | Трамп продолжает огрызаться на Трюдо, который, по его мнению, не имел права обижаться на новую таможенную политику США; а Ангела Меркель называет результаты прошедшей встречи удручающими. | 0.25651 | 0.26457 | 0.42188 | None | |
habr.com | продолжать | Продолжаем знакомство с методами многомерной оптимизации. Далее предложена реализация метода наискорейшего спуска с анализом скорости выполнения, а также имплементация метода Нелдера-Мида средствами языка Julia и C++. Метод градиентного спуска Поиск экстремума ведется шагами в направлении градиента (max) или антиградиента (min). | 0.21242 | 0.22648 | 0.91881 | None | |
habr.com | продолжать | Продолжаем изучение методов многомерной оптимизации, и следующий на очереди — метод роя частиц осуществляющий поиск глобального минимума. Теория Википедия Различные методы роя частиц и их топологии Рой частиц на Python и C# Метод оптимизации стаей котиков Алгоритм довольно прост: Положение каждой частицы в определенный момент высчитывается по формуле: Где — координата лучшего решения конкретной частицы, — координата лучшего решения для всех частиц за эту эпоху, и — весовые коэффициенты (подбираются под конкретную модель), — коэффициент инерции, его можно сделать зависимым от номера эпохи, тогда скорости частиц будут меняться плавно. Тестовые функции Так как на работу метода очень приятно смотреть, наберем тестовых функций побольше: Упрятаныparabol(x) = sum(u->u*u, x) # f(0,0) = 0, x_i ∈ [-10,10] shvefel(x) = sum(u-> -u*sin(sqrt(abs(u))), x) # f(420.9687,420.9687) = -819?, x_i ∈ [-500,500] rastrigin(x) = 10*length(x) + sum(u->u*u-10*cos(2*pi*u), x) # f(0,0) = 0, x_i ∈ [-5,5] ekly(x) = -20exp(-0.2sqrt(0.5(x[1]*x[1]+x[2]*x[2]))) - exp(0.5(cospi(2x[1])+cospi(2x[2]))) + 20 + ℯ # f(0,0) = 0, x_i ∈ [-5,5] rosenbrok(x) = 100(x[2]-x[1]*x[1])^2 + (x[1]-1)^2 # f(0,0) = 0, x_i ∈ [-5,5] bill(x) = (1.5-x[1]+x[1]*x[2])^2 + (2.25-x[1]+x[1]*x[2]*x[2])^2 + (2.625-x[1]+x[1]*x[2]^3)^2 # f(3,0.5) = 0, x_i ∈ [-5,5] boot(x) = (x[1]+2x[2]-7)^2 + (2x[1]+x[2]-5)^2 # f(1,3) = 0, x_i ∈ [-10,10] bukin6(x) = 100sqrt(abs(x[2]-0.01x[1]*x[1])) + 0.01abs(x[1]+10) # f(-10,1) = 0, x_i ∈ [-15,-5; -3,3] levy13(x) = sinpi(3x[1])^2 + (1+sinpi(3x[2])^2)*(x[1]-1)^2 + (1+sinpi(2x[2])^2)*(x[2]-1)^2 # f(1,1) = 0, x_i ∈ [-10,10] himmelblau(x) = (x[1]^2+x[2]-11)^2 + (x[1]+x[2]^2-7)^2 # f(3,2)... = 0, x_i ∈ [-5,5] camel3humped(x) = 2x[1]^2 - 1.05x[1]^4 + x[1]^6 /6 + x[1]*x[2] + x[2]^2 # f(0,0) = 0, x_i ∈ [-5,5] izom(x) = -cos(x[1])*cos(x[2])*exp(-( (x[1]-pi)^2 + (x[2]-pi)^2 )) # f(π,π) = -1, x_i ∈ [-100,100] holdertable(x) = -abs(sin(x[1])*cos(x[2])exp(abs( 1-sqrt(x[1]^2+x[2]^2)/pi ))) # f(±8.05502,±9.66459) = -19.2085, x_i ∈ [-10,10] shaffer4(x) = 0.5 + (cos(sin(abs(x[1]^2-x[2]^2)))^2-0.5) / (1+0.001(x[1]^2+x[2]^2))^2 # f(0,1.25313) = 0.292579, x_i ∈ [-100,100] И, собственно, сам МРЧ: function mdpso(; nparts = 50, ndimes = 2, ages = 50, # количество эпох lover = [-10 -10], upper = [10 10], C1 = [1.9 1.9], # весовые коэф-ты C2 = [1.8 1.8], Ac = [0.1 0.1], ) minind = 0 V = zeros(nparts,ndimes) # матрица нулей n на n X = zeros(nparts,ndimes) funmin = -Inf Fmin = Inf Fbest = fill(Fmin, nparts) funx = zeros(nparts) xmem = zeros(nparts,ndimes) xbest = zeros(ndimes) # лучшая координата # частицы разбрасываются по исследуемой области for i in 1:nparts, j in 1:ndimes X[i,j] = randomer(lover[j], upper[j]) end for i in 1:ages for j in 1:nparts funx[j] = fun(X[j,:]) if funx[j] < Fbest[j] Fbest[j] = funx[j] xmem[j,:] = X[j,:] end end # отрисовывает частицы на каждой эпохе ploter(lover, upper, X, funx, i); funmin = minimum(funx) minind = argmin(funx) if funmin < Fmin Fmin = funmin xbest[:] = X[minind,:] end for j in 1:nparts, k in 1:ndimes R1 = rand() R2 = rand() V[j,k] = Ac[k]*V[j,k] + C1[k]*R1*(xmem[j,k] - X[j,k]) + C2[k]*R2*(xbest[k] - X[j,k]) X[j,k] += V[j,k] end println("Age № $i\n xbest:\n $(xbest[1]) $(xbest[2])") println("Fmin: $Fmin\n") end f = open("$fun.txt","w") # выводим параметры модели в файл write(f,"C1 = $C1, C2 = $C2, Ac = $Ac, lower = $lover, upper = $upper, ages = $ages, parts = $nparts") close(f) end С рисовалками хоть и дольше выполняется расчет, но зато красивей: using Plots pyplot() function ploter(l, u, xy, z, n_age ) contour(Xs, Ys, Zs, fill = true); # легенду не показывать (для каждой блин частицы) # задать границы рисунка, чтоб не дергалось кода частица убежала scatter! | 0.21501 | 0.22648 | 0.96638 | None |
© 2019-2020 Валерий Шульгинов
Создание сайта: RoboRumba