1) Benders decomposition algorithm
Benders分解算法
2) benders decomposition
Benders分解法
1.
The Benders decomposition method can divide this large scale, non-linear, mixed-integer stochastic programming problem into two problems: a deterministic multi-objective integer programming master problem and a stochastic, non-linear operation sub-problem.
采用Benders分解法可以将这个高维度、非线性、混合整数随机规划问题分解为主问题和子问题求解:主问题是一个多目标整数规划问题,而子问题则是一个非线性随机问题。
3) Benders decomposition
Benders分解
1.
Aiming at the uncertainty of emergency demand scene,a stochastic mixed integers planning model of two stages is put forward and solved using Benders decomposition.
针对需求情景不确定的情况,提出了基于Benders分解的一个两阶段随机混合整数规划模型,并对情景数较小的情况进行了仿真分析。
2.
In this paper, Benders decomposition method, based on Optimal Power Flow (OPF), is proposed to partition the static security constrained ATC problem into a base-case master problem and a series of subproblems relevant to various contingencies.
文中以最优潮流为基础,采用Benders分解方法将考虑静态安全约束的ATC计算问题分解为一个基态主问题和一系列与各预想事故有关的子问题。
3.
ATC evaluation by hierarchical approach based on Benders decomposition is proposed in this paper.
提出采用Benders分解算法分主从2层计算ATC值。
4) Benders algorithm
Benders算法
5) Benders Decom-
Benders分解可行性定理
6) 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。
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