Допустим у нас есть базовая форма фюзеляжа. Мы разбиваем форму на участки. В центре каждого участка ставится точка, координаты которой можно изменять, подбирая аэродинамические характеристики. Перебрать все возможные варианты задача слабоосуществимая. Тогда мы берём и координаты каждой точки закладываем в алгоритм оптимизации. На каждом шаге алгоритм будет выдавать несколько решений, которые мы должны оценить. Решением является набор координат точек, построенный по которым фюзеляж будет иметь требуемые характеристики. Оцениваются выдаваеммые алгоритмом варианты решения при помощи программ анализа, которые по геометрическим характеристикам объекта могут посчитать аэродинамические. Допустим нам нужно минимальное сопротивление воздуху. Тогда параметром оценивания будет число пропорциональное сопротивлению воздуха. Таким образом мы имеем схему, по которой можно синтезировать форму фюзеляжа с минимальным сопротивлением воздуху.
Метод Монте-Карло основывается вероятностных характеристиках. Целью этого метода было получение алгоритма, имитирующего явление живой природы. Анализировать же эти естественные процессы можно и нужно. Я не берусь утверждать, что метод Монте-Карло однозначно хуже, просто есть такой алгоритм и для определённых задач он является эффективным. И мне интересно посмотреть на реализацию статистического анализа этой системы и посмотреть насколько увеличится эффективность алгоритма.
Хочу отметить, что существуют различные комбинации методов, например генетический алгоритм с методом градиентного спуска в каждом поколении, но опять же, производительность каждого из выбранных методов различна для разных задач.
В методе градиентного спуска огромное значение имеет выбор начальной точки направления и шага. Попав на втором шаге в локальный минимум градиентный метод никогда не выберется из него, в отличие от описанного метода, который найдёт глобальный минимум. Также, метод градиентного спуска относится к детерминированным алгоритмам, в то время как алгоритм поведения роя пчёл является стахостическим.
Что касается производной, то она основывается на ранее известных данных (предыдущий шаг и текущий). Этот алгоритм оперирует только с двумя известными точками: ПНП и ГНП и корректирует позицию каждой точки основываясь на них, но случайным образом.
В методе градиентного спуска выбирается одна начальная точка, шаг и направление. После первого шага вычисляются производные, и в направлении, где производная больше, производится следующий шаг. Но это если говорить грубо. На самом деле вычисляется градиент, и по нему перемещают точку. А в этом алгоритме не вычисляются производные, и начальных точек выбирается много, что является характерной чертой всех естественных алгоритмов.
«На выбор есть 5 положений для выхода провода из корпуса, что делает возможным использование мышки одинаково удобным как для правшей, так и для левшей»
Автор никогда не держал «игровую мышь» в левой руке. Левшам, однозначно, пофиг, с какой стороны выходит провод, если рука выкручена в неестественное положение.
Хочу отметить, что существуют различные комбинации методов, например генетический алгоритм с методом градиентного спуска в каждом поколении, но опять же, производительность каждого из выбранных методов различна для разных задач.
Что касается производной, то она основывается на ранее известных данных (предыдущий шаг и текущий). Этот алгоритм оперирует только с двумя известными точками: ПНП и ГНП и корректирует позицию каждой точки основываясь на них, но случайным образом.
Автор никогда не держал «игровую мышь» в левой руке. Левшам, однозначно, пофиг, с какой стороны выходит провод, если рука выкручена в неестественное положение.