1) decomposition algorithm
分解算法
1.
A scenarios planning model is formulated and a decomposition algorithm is put forward.
建立了情景规划模型,提出分解算法,首先求出每种情景下需要扩张的边及其扩张的容量,然后对所有需要扩张的边取其并集,需要扩张的边的容量取其最大,最后求出最小的扩张成本。
2.
A new decomposition algorithm in mathematic programming is discussed in this paper.
分析讨论了一种数学规划的分解算法，并在凸多面体分析的基础上，讨论了Ｄａｎｔｚｉｇ－Ｗｏｌｆ算法及其改进。
3.
After analysing the special structure of the model ,andcombined the decomposition algorithm with the generalized upper bounding algorithm,the D-GUB algorithm is provided in this paper.
在文献［１］提出铁路网货流分配模型的基础上，对模型规模大、变量和约束数多，一般线性规划算法无法求解的问题进行深入研究，并利用模型的特殊结构，将分解算法与带上限约束算法相结合提出Ｄ－ＧＵＢ算法，求解效率显著提高。
2) decomposition method
分解算法
1.
Newton-Type decomposition methods for semismooth equations with application to OPF problems;
半光滑方程的牛顿型分解算法及其在最优潮流中的应用
2.
Various decomposition method mainly according to the size of working set, selection rule and different solution on sub-problem optimization.
分解算法是目前大量数据下支持向量机最主要训练方法。
3) decomposing algorithm
分解算法
1.
Adecomposing algorithm was used to overcome the difficulty in solving themodel.
为解决求解的困难,采用变换分解算法,将原模型转换为整数规划问题。
4) decomposition algorithms
分解算法
1.
In decomposition algorithms such as SMO, the optimal solution is approached by solving a series of smallsc.
从中可以看到,包括SMO在内的分解算法通过求解一系列规模较小的子问题逐步逼近最优解,从而避免存储整个Hessian矩阵,是解决大规模SVM训练问题的主要方法。
2.
This paper presents several decomposition algorithms for transportation problemwhen the network has the following decomposable structures:cut-vertices,cut-edges, vertex-cut oredge-cuts.
本文探讨运输问题图上作业法的分解算法，研究了交通图有割点、有割边、有点割集、有边割集等几种可分解结构，建立了相应的分解算法。
6) algorithm decomposition
算法分解
补充资料：BP算法
分子式：
CAS号：
性质：又称逆推学习算法，简称BP算法，是1986年鲁梅哈特(D. E. Rumelhart)和麦克莱朗德(J. L. McClelland)提出来的。用样本数据训练人工神经网络(一种模仿人脑的信息处理系统)，它自动地将实际输出值和期望值进行比较，得到误差信号，再根据误差信号从后(输出层)向前(输入层)逐层反传，调节各神经层神经元之间的连接权重，直至误差减至满足要求为止。反向传播算法的主要特征是中间层能对输出层反传过来的误差进行学习。这种算法不能保证训练期间实现全局误差最小，但可以实现局部误差最小。BP算法在图像处理、语音处理、优化等领域得到应用。
CAS号：
性质：又称逆推学习算法，简称BP算法，是1986年鲁梅哈特(D. E. Rumelhart)和麦克莱朗德(J. L. McClelland)提出来的。用样本数据训练人工神经网络(一种模仿人脑的信息处理系统)，它自动地将实际输出值和期望值进行比较，得到误差信号，再根据误差信号从后(输出层)向前(输入层)逐层反传，调节各神经层神经元之间的连接权重，直至误差减至满足要求为止。反向传播算法的主要特征是中间层能对输出层反传过来的误差进行学习。这种算法不能保证训练期间实现全局误差最小，但可以实现局部误差最小。BP算法在图像处理、语音处理、优化等领域得到应用。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条