Оптимизация в Julia — бесплатный тест онлайн

Вопрос 1 из 25

Что именно следует из фрагмента с `@show Optim.minimizer(result) Optim.minimum(result) Optim.converged(result)`?

\min_x f(x)

using Optim
loss(θ) = (θ[1]-2)^2 + 4(θ[2]+1)^2
result = optimize(loss, [0.0, 0.0], BFGS())
@show Optim.minimizer(result) Optim.minimum(result) Optim.converged(result)

Повторный запуск не должен случайно использовать изменённые глобальные массивы или кэш предыдущей задачи; состояние оптимизации передают и сбрасывают явно. Векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения. Градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках. Целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры. На практике обычно хватает взять большой коэффициент штрафа, чтобы получить поведение строгого ограничения без заметного влияния на обусловленность задачи.

Вопрос 2 из 25

Какой эксперимент отличит настоящий механизм `@show Optim.minimizer(result) Optim.minimum(result) Optim.converged(result)` от случайного результата одного запуска?

using Optim
loss(θ) = (θ[1]-2)^2 + 4(θ[2]+1)^2
result = optimize(loss, [0.0, 0.0], BFGS())
@show Optim.minimizer(result) Optim.minimum(result) Optim.converged(result)

Проверить на отдельном примере, что на практике обычно хватает взять большой коэффициент штрафа, чтобы получить поведение строгого ограничения без заметного влияния на обусловленность задачи. Проверить на отдельном примере, что градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках. Проверить на отдельном примере, что векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения. Проверить на отдельном примере, что целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры. Проверить на отдельном примере, что повторный запуск не должен случайно использовать изменённые глобальные массивы или кэш предыдущей задачи; состояние оптимизации передают и сбрасывают явно.

Вопрос 3 из 25

Что должно остаться истинным после рефакторинга участка с `@show Optim.minimizer(result) Optim.minimum(result) Optim.converged(result)`?

using Optim
loss(θ) = (θ[1]-2)^2 + 4(θ[2]+1)^2
result = optimize(loss, [0.0, 0.0], BFGS())
@show Optim.minimizer(result) Optim.minimum(result) Optim.converged(result)

Сохранить в реализации правило: Векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения. Сохранить в реализации правило: На практике обычно хватает взять большой коэффициент штрафа, чтобы получить поведение строгого ограничения без заметного влияния на обусловленность задачи. Сохранить в реализации правило: Градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках. Сохранить в реализации правило: Повторный запуск не должен случайно использовать изменённые глобальные массивы или кэш предыдущей задачи; состояние оптимизации передают и сбрасывают явно. Сохранить в реализации правило: Целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры.

Вопрос 4 из 25

При переносе кода с `@show Optim.minimizer(result) Optim.minimum(result) Optim.converged(result)` в библиотеку какой критерий нельзя заменять впечатлением «пример работает»?

\min_x f(x)

Приёмка должна подтвердить, что векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения. Приёмка должна подтвердить, что на практике обычно хватает взять большой коэффициент штрафа, чтобы получить поведение строгого ограничения без заметного влияния на обусловленность задачи. Приёмка должна подтвердить, что градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках. Приёмка должна подтвердить, что повторный запуск не должен случайно использовать изменённые глобальные массивы или кэш предыдущей задачи; состояние оптимизации передают и сбрасывают явно. Приёмка должна подтвердить, что целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры.

Вопрос 5 из 25

Какое ограничение стоит прямо указать в документации к участку с `@show Optim.minimizer(result) Optim.minimum(result) Optim.converged(result)`?

Указать в документации: На практике обычно хватает взять большой коэффициент штрафа, чтобы получить поведение строгого ограничения без заметного влияния на обусловленность задачи. Указать в документации: Целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры. Указать в документации: Повторный запуск не должен случайно использовать изменённые глобальные массивы или кэш предыдущей задачи; состояние оптимизации передают и сбрасывают явно. Указать в документации: Векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения. Указать в документации: Градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках.

Вопрос 6 из 25

Какой механизм Julia определяет поведение строки `θ = exp.(Optim.minimizer(result))`?

g_i(x)\le0,\;h_j(x)=0

using Optim
raw_loss(z) = (exp(z[1]) - 3)^2
result = optimize(raw_loss, [0.0], BFGS())
θ = exp.(Optim.minimizer(result))
@show θ

Целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры. Векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения. Градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках. На практике обычно хватает взять большой коэффициент штрафа, чтобы получить поведение строгого ограничения без заметного влияния на обусловленность задачи. Ограничения лучше выражать средствами решателя или параметризацией; большой штраф может ухудшить масштаб и не гарантирует допустимого решения.

Вопрос 7 из 25

Какой эксперимент отличит настоящий механизм `θ = exp.(Optim.minimizer(result))` от случайного результата одного запуска?

using Optim
raw_loss(z) = (exp(z[1]) - 3)^2
result = optimize(raw_loss, [0.0], BFGS())
θ = exp.(Optim.minimizer(result))
@show θ

Проверить на отдельном примере, что градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках. Проверить на отдельном примере, что целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры. Проверить на отдельном примере, что на практике обычно хватает взять большой коэффициент штрафа, чтобы получить поведение строгого ограничения без заметного влияния на обусловленность задачи. Проверить на отдельном примере, что ограничения лучше выражать средствами решателя или параметризацией; большой штраф может ухудшить масштаб и не гарантирует допустимого решения. Проверить на отдельном примере, что векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения.

Вопрос 8 из 25

Что должно остаться истинным после рефакторинга участка с `θ = exp.(Optim.minimizer(result))`?

using Optim
raw_loss(z) = (exp(z[1]) - 3)^2
result = optimize(raw_loss, [0.0], BFGS())
θ = exp.(Optim.minimizer(result))
@show θ

Сохранить в реализации правило: На практике обычно хватает взять большой коэффициент штрафа, чтобы получить поведение строгого ограничения без заметного влияния на обусловленность задачи. Сохранить в реализации правило: Градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках. Сохранить в реализации правило: Целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры. Сохранить в реализации правило: Векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения. Сохранить в реализации правило: Ограничения лучше выражать средствами решателя или параметризацией; большой штраф может ухудшить масштаб и не гарантирует допустимого решения.

Вопрос 9 из 25

При переносе кода с `θ = exp.(Optim.minimizer(result))` в библиотеку какой критерий нельзя заменять впечатлением «пример работает»?

g_i(x)\le0,\;h_j(x)=0

Приёмка должна подтвердить, что ограничения лучше выражать средствами решателя или параметризацией; большой штраф может ухудшить масштаб и не гарантирует допустимого решения. Приёмка должна подтвердить, что целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры. Приёмка должна подтвердить, что градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках. Приёмка должна подтвердить, что векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения. Приёмка должна подтвердить, что на практике обычно хватает взять большой коэффициент штрафа, чтобы получить поведение строгого ограничения без заметного влияния на обусловленность задачи.

Вопрос 10 из 25

Как сформулировать границу механизма `θ = exp.(Optim.minimizer(result))` без чрезмерного обещания?

Указать в документации: Целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры. Указать в документации: На практике обычно хватает взять большой коэффициент штрафа, чтобы получить поведение строгого ограничения без заметного влияния на обусловленность задачи. Указать в документации: Векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения. Указать в документации: Градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках. Указать в документации: Ограничения лучше выражать средствами решателя или параметризацией; большой штраф может ухудшить масштаб и не гарантирует допустимого решения.

Вопрос 11 из 25

Как нужно интерпретировать `g = ForwardDiff.gradient(loss, θ)`, не добавляя к коду лишних гарантий?

\nabla f(x)

using ForwardDiff
loss(θ) = sum(abs2, θ .- [1.0, 2.0, 3.0])
θ = [0.5, 1.5, 2.5]
g = ForwardDiff.gradient(loss, θ)
function fd(f, x, i; h=1e-6)
    e = zeros(length(x)); e[i] = h
    (f(x+e)-f(x-e))/(2h)
end
@show g [fd(loss, θ, i) for i in eachindex(θ)]

Целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры. Векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения. Ограничения лучше выражать средствами решателя или параметризацией; большой штраф может ухудшить масштаб и не гарантирует допустимого решения. Градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках. Градиент, полученный AD, не нуждается в независимой проверке, потому что механическое дифференцирование исключает ошибки модели.

Вопрос 12 из 25

Какой контрольный тест лучше всего проверит правило, связанное с `g = ForwardDiff.gradient(loss, θ)`?

using ForwardDiff
loss(θ) = sum(abs2, θ .- [1.0, 2.0, 3.0])
θ = [0.5, 1.5, 2.5]
g = ForwardDiff.gradient(loss, θ)
function fd(f, x, i; h=1e-6)
    e = zeros(length(x)); e[i] = h
    (f(x+e)-f(x-e))/(2h)
end
@show g [fd(loss, θ, i) for i in eachindex(θ)]

Проверить на отдельном примере, что ограничения лучше выражать средствами решателя или параметризацией; большой штраф может ухудшить масштаб и не гарантирует допустимого решения. Проверить на отдельном примере, что целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры. Проверить на отдельном примере, что градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках. Проверить на отдельном примере, что векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения. Проверить на отдельном примере, что градиент, полученный AD, не нуждается в независимой проверке, потому что механическое дифференцирование исключает ошибки модели.

Вопрос 13 из 25

Что должно остаться истинным после рефакторинга участка с `g = ForwardDiff.gradient(loss, θ)`?

using ForwardDiff
loss(θ) = sum(abs2, θ .- [1.0, 2.0, 3.0])
θ = [0.5, 1.5, 2.5]
g = ForwardDiff.gradient(loss, θ)
function fd(f, x, i; h=1e-6)
    e = zeros(length(x)); e[i] = h
    (f(x+e)-f(x-e))/(2h)
end
@show g [fd(loss, θ, i) for i in eachindex(θ)]

Сохранить в реализации правило: Ограничения лучше выражать средствами решателя или параметризацией; большой штраф может ухудшить масштаб и не гарантирует допустимого решения. Сохранить в реализации правило: Градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках. Сохранить в реализации правило: Целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры. Сохранить в реализации правило: Векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения. Сохранить в реализации правило: Градиент, полученный AD, не нуждается в независимой проверке, потому что механическое дифференцирование исключает ошибки модели.

Вопрос 14 из 25

При переносе кода с `g = ForwardDiff.gradient(loss, θ)` в библиотеку какой критерий нельзя заменять впечатлением «пример работает»?

\nabla f(x)

Приёмка должна подтвердить, что векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения. Приёмка должна подтвердить, что градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках. Приёмка должна подтвердить, что градиент, полученный AD, не нуждается в независимой проверке, потому что механическое дифференцирование исключает ошибки модели. Приёмка должна подтвердить, что ограничения лучше выражать средствами решателя или параметризацией; большой штраф может ухудшить масштаб и не гарантирует допустимого решения. Приёмка должна подтвердить, что целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры.

Вопрос 15 из 25

Какое утверждение о `g = ForwardDiff.gradient(loss, θ)` является переносимым правилом, а не особенностью одного запуска?

Указать в документации: Векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения. Указать в документации: Ограничения лучше выражать средствами решателя или параметризацией; большой штраф может ухудшить масштаб и не гарантирует допустимого решения. Указать в документации: Целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры. Указать в документации: Градиент, полученный AD, не нуждается в независимой проверке, потому что механическое дифференцирование исключает ошибки модели. Указать в документации: Градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках.

Вопрос 16 из 25

Какой механизм Julia определяет поведение строки `@show start Optim.converged(r) Optim.minimum(r) norm(Optim.gradient(r))`?

\lVert\nabla f(x^*)\rVert\approx0

using Optim, LinearAlgebra
loss(x) = (x[1]-1)^4 + 1e-8(x[2]-10)^2
for start in ([0.0,0.0], [5.0,50.0])
    r = optimize(loss, start, BFGS())
    @show start Optim.converged(r) Optim.minimum(r) norm(Optim.gradient(r))
end

Градиент, полученный AD, не нуждается в независимой проверке, потому что механическое дифференцирование исключает ошибки модели. Градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках. Флаг завершения решателя означает найденный глобальный оптимум и делает ненужной проверку разных стартов. Статус остановки, невязки, градиент и чувствительность к начальному приближению важнее сообщения «решатель завершён». Ограничения лучше выражать средствами решателя или параметризацией; большой штраф может ухудшить масштаб и не гарантирует допустимого решения.

Вопрос 17 из 25

Какой эксперимент отличит настоящий механизм `@show start Optim.converged(r) Optim.minimum(r) norm(Optim.gradient(r))` от случайного результата одного запуска?

using Optim, LinearAlgebra
loss(x) = (x[1]-1)^4 + 1e-8(x[2]-10)^2
for start in ([0.0,0.0], [5.0,50.0])
    r = optimize(loss, start, BFGS())
    @show start Optim.converged(r) Optim.minimum(r) norm(Optim.gradient(r))
end

Проверить на отдельном примере, что градиент, полученный AD, не нуждается в независимой проверке, потому что механическое дифференцирование исключает ошибки модели. Проверить на отдельном примере, что ограничения лучше выражать средствами решателя или параметризацией; большой штраф может ухудшить масштаб и не гарантирует допустимого решения. Проверить на отдельном примере, что градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках. Проверить на отдельном примере, что статус остановки, невязки, градиент и чувствительность к начальному приближению важнее сообщения «решатель завершён». Проверить на отдельном примере, что флаг завершения решателя означает найденный глобальный оптимум и делает ненужной проверку разных стартов.

Вопрос 18 из 25

Какой контракт следует закрепить при переработке строки `@show start Optim.converged(r) Optim.minimum(r) norm(Optim.gradient(r))`?

using Optim, LinearAlgebra
loss(x) = (x[1]-1)^4 + 1e-8(x[2]-10)^2
for start in ([0.0,0.0], [5.0,50.0])
    r = optimize(loss, start, BFGS())
    @show start Optim.converged(r) Optim.minimum(r) norm(Optim.gradient(r))
end

Сохранить в реализации правило: Градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках. Сохранить в реализации правило: Градиент, полученный AD, не нуждается в независимой проверке, потому что механическое дифференцирование исключает ошибки модели. Сохранить в реализации правило: Флаг завершения решателя означает найденный глобальный оптимум и делает ненужной проверку разных стартов. Сохранить в реализации правило: Статус остановки, невязки, градиент и чувствительность к начальному приближению важнее сообщения «решатель завершён». Сохранить в реализации правило: Ограничения лучше выражать средствами решателя или параметризацией; большой штраф может ухудшить масштаб и не гарантирует допустимого решения.

Вопрос 19 из 25

После обновления Julia или пакета поведение участка с `@show start Optim.converged(r) Optim.minimum(r) norm(Optim.gradient(r))` изменилось. Какой критерий приёмки остаётся корректным?

\lVert\nabla f(x^*)\rVert\approx0

Приёмка должна подтвердить, что флаг завершения решателя означает найденный глобальный оптимум и делает ненужной проверку разных стартов. Приёмка должна подтвердить, что ограничения лучше выражать средствами решателя или параметризацией; большой штраф может ухудшить масштаб и не гарантирует допустимого решения. Приёмка должна подтвердить, что градиент, полученный AD, не нуждается в независимой проверке, потому что механическое дифференцирование исключает ошибки модели. Приёмка должна подтвердить, что статус остановки, невязки, градиент и чувствительность к начальному приближению важнее сообщения «решатель завершён». Приёмка должна подтвердить, что градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках.

Вопрос 20 из 25

Какое ограничение стоит прямо указать в документации к участку с `@show start Optim.converged(r) Optim.minimum(r) norm(Optim.gradient(r))`?

Указать в документации: Градиент, полученный AD, не нуждается в независимой проверке, потому что механическое дифференцирование исключает ошибки модели. Указать в документации: Ограничения лучше выражать средствами решателя или параметризацией; большой штраф может ухудшить масштаб и не гарантирует допустимого решения. Указать в документации: Статус остановки, невязки, градиент и чувствительность к начальному приближению важнее сообщения «решатель завершён». Указать в документации: Флаг завершения решателя означает найденный глобальный оптимум и делает ненужной проверку разных стартов. Указать в документации: Градиент должен соответствовать функции и типам данных; его проверяют конечными разностями или другим независимым способом на нескольких точках.

Вопрос 21 из 25

Что именно следует из фрагмента с `scratch .= x`?

x_{k+1}=\Phi(x_k,s_k)

using Optim
scratch = zeros(2)
function loss(x)
    scratch .= x
    scratch[1] -= 1
    scratch[2] += 2
    return sum(abs2, scratch)
end
r1 = optimize(loss, [0.0, 0.0])
r2 = optimize(loss, [10.0, 10.0])
@show Optim.minimizer(r1) Optim.minimizer(r2) scratch

На практике обычно хватает взять большой коэффициент штрафа, чтобы получить поведение строгого ограничения без заметного влияния на обусловленность задачи. Повторный запуск целевой функции может безопасно использовать изменённые глобальные массивы и кэш прошлого старта, пока их размеры не изменились. Целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры. Векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения. Повторный запуск не должен случайно использовать изменённые глобальные массивы или кэш предыдущей задачи; состояние оптимизации передают и сбрасывают явно.

Вопрос 22 из 25

Какой эксперимент отличит настоящий механизм `scratch .= x` от случайного результата одного запуска?

using Optim
scratch = zeros(2)
function loss(x)
    scratch .= x
    scratch[1] -= 1
    scratch[2] += 2
    return sum(abs2, scratch)
end
r1 = optimize(loss, [0.0, 0.0])
r2 = optimize(loss, [10.0, 10.0])
@show Optim.minimizer(r1) Optim.minimizer(r2) scratch

Проверить на отдельном примере, что повторный запуск целевой функции может безопасно использовать изменённые глобальные массивы и кэш прошлого старта, пока их размеры не изменились. Проверить на отдельном примере, что на практике обычно хватает взять большой коэффициент штрафа, чтобы получить поведение строгого ограничения без заметного влияния на обусловленность задачи. Проверить на отдельном примере, что повторный запуск не должен случайно использовать изменённые глобальные массивы или кэш предыдущей задачи; состояние оптимизации передают и сбрасывают явно. Проверить на отдельном примере, что целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры. Проверить на отдельном примере, что векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения.

Вопрос 23 из 25

Какой контракт следует закрепить при переработке строки `scratch .= x`?

using Optim
scratch = zeros(2)
function loss(x)
    scratch .= x
    scratch[1] -= 1
    scratch[2] += 2
    return sum(abs2, scratch)
end
r1 = optimize(loss, [0.0, 0.0])
r2 = optimize(loss, [10.0, 10.0])
@show Optim.minimizer(r1) Optim.minimizer(r2) scratch

Сохранить в реализации правило: Повторный запуск целевой функции может безопасно использовать изменённые глобальные массивы и кэш прошлого старта, пока их размеры не изменились. Сохранить в реализации правило: Повторный запуск не должен случайно использовать изменённые глобальные массивы или кэш предыдущей задачи; состояние оптимизации передают и сбрасывают явно. Сохранить в реализации правило: Векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения. Сохранить в реализации правило: На практике обычно хватает взять большой коэффициент штрафа, чтобы получить поведение строгого ограничения без заметного влияния на обусловленность задачи. Сохранить в реализации правило: Целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры.

Вопрос 24 из 25

Какой результат приёмочного теста подтвердит корректность участка с `scratch .= x`?

x_{k+1}=\Phi(x_k,s_k)

Приёмка должна подтвердить, что векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения. Приёмка должна подтвердить, что повторный запуск не должен случайно использовать изменённые глобальные массивы или кэш предыдущей задачи; состояние оптимизации передают и сбрасывают явно. Приёмка должна подтвердить, что повторный запуск целевой функции может безопасно использовать изменённые глобальные массивы и кэш прошлого старта, пока их размеры не изменились. Приёмка должна подтвердить, что целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры. Приёмка должна подтвердить, что на практике обычно хватает взять большой коэффициент штрафа, чтобы получить поведение строгого ограничения без заметного влияния на обусловленность задачи.

Вопрос 25 из 25

Какое ограничение стоит прямо указать в документации к участку с `scratch .= x`?

Указать в документации: Повторный запуск не должен случайно использовать изменённые глобальные массивы или кэш предыдущей задачи; состояние оптимизации передают и сбрасывают явно. Указать в документации: Повторный запуск целевой функции может безопасно использовать изменённые глобальные массивы и кэш прошлого старта, пока их размеры не изменились. Указать в документации: Векторный результат целевой функции интерпретируется оптимизатором как набор компонент, из которого он сам строит скалярное направление улучшения. Указать в документации: На практике обычно хватает взять большой коэффициент штрафа, чтобы получить поведение строгого ограничения без заметного влияния на обусловленность задачи. Указать в документации: Целевая функция должна возвращать скаляр с понятным направлением оптимизации и быть определена на всей допустимой области, включая неудачные параметры.