4. Исследование на численных данных
4.1. Генерирование данных.
Исследуем модель Снайдера, используя 1000 случайно сгенерированных наборов данных. Наборы были созданы
путем случайного выбора параметров
ℎ, 𝐾𝐾𝐾𝐾, 𝑝𝑝𝑝𝑝, 𝐷𝐷𝐷𝐷, 𝜇𝜇𝜇𝜇, 𝜆𝜆𝜆𝜆
из выборок, с объемом равным 10 для каждой, полученных из сле-
дующих распределений:
−
𝐾𝐾𝐾𝐾 ∼ 𝑈𝑈𝑈𝑈[0,100]
−
ℎ ∼ 𝑈𝑈𝑈𝑈 [0,250]
−
𝑝𝑝𝑝𝑝 ∼ 𝑈𝑈𝑈𝑈[max{ℎ, 250} , 1000]
−
𝐷𝐷𝐷𝐷 ∼ 𝑈𝑈𝑈𝑈[0,1000]
−
𝜆𝜆𝜆𝜆 ∼ 𝑈𝑈𝑈𝑈[0.5,12]
−
𝜇𝜇𝜇𝜇 ∼ 𝑈𝑈𝑈𝑈 [2𝜆𝜆𝜆𝜆, 20𝜆𝜆𝜆𝜆]
Границы были выбраны таким образом, чтобы сохранялась неотрицательность параметров и выполнялось неравен-
ство
𝜆𝜆𝜆𝜆 < 𝜇𝜇𝜇𝜇
. Для каждого набора мы вычисляли
𝑄𝑄𝑄𝑄
∗
, используя (5) и находили значения
𝑄𝑄𝑄𝑄
0
, которое минимизирует g
0
(Q),
используя функцию fmin из библиотеки scipy.optimize для языка программирования Python.
4.2. Численные результаты для эвристической ошибки.
Мы исследуем качество приближения, вычисляя относительную ошибку от использования
𝑄𝑄𝑄𝑄
∗
в качестве эвристи-
ческого решения (
�𝘨𝘨𝘨𝘨
0
(𝑄𝑄𝑄𝑄
∗
) − 𝘨𝘨𝘨𝘨
0
(𝑄𝑄𝑄𝑄
0
)�/𝘨𝘨𝘨𝘨
0
(𝑄𝑄𝑄𝑄
0
)
) для различных r.
В таблице 1 указаны максимальные эвристические ошибки для нескольких значений r, а также доли наборов, отно-
сительная ошибка которых меньше заданного значения.
Таблица 1
Достарыңызбен бөлісу: |