• СМИ
• Блоги
• О корпусе

продолжать

Широкое соответствие Точное соответствие Расчет связей

Документы, содержащие ссылки с данным словом (8)

Средняя близость по слову:

	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