Coderen voor automatiseringsprojecten is meer dan code schrijven

Het vertalen van wiskundige vergelijkingen in code maakt deel uit van, maar staat ook los van, de ontwikkeling van automatiseringsprojecten met computeroplossingen. We moeten rekening houden met de doeltreffendheid van de wiskundige vergelijkingen in verhouding tot de behoeften van het project dat wordt ontwikkeld. We moeten ook rekening houden met de oplossingsmethode voor het oplossen van de vergelijkingen met de betrokken gegevens en timing.

Gegevensproblemen die het oplossingsalgoritme bereiken, moeten worden gedetecteerd, gecontroleerd en waar mogelijk gecorrigeerd. Precisiemanagement moet plaatsvinden in verschillende stadia van het proces. Fouten die tijdens het oplossingsproces en de implementatie ontstaan, moeten worden opgespoord en beheerd.

Dit is een onderwerp voor boeken, maar hopelijk kan het denkproces met een paar honderd woorden worden verplaatst.

Houd er allereerst rekening mee dat niet alles wat we niet specifiek deterministisch maken, standaard stochastisch is. Computers en de procedures waarmee ze problemen oplossen kunnen obscure vooroordelen introduceren die, met analyse, duidelijk deterministisch zijn - alleen niet opzettelijk. De eenvoudige die het probleem illustreren, gaan naar precisie. In veel gevallen zouden we graag denken dat tussenliggende waarden precies goed zijn of op zijn minst afgerond met behulp van criteria die we kennen uit de wiskunde.

Op verschillende niveaus, afkapping —in plaats van afronden—dwingt berekende getallen om te passen in de variabele grootte die voor hen is voorzien. Soms maakt dit niet uit, maar soms introduceert het vooroordelen. Het kan handig zijn om wiskundige procedures en oefeningen te gebruiken om de opgeslagen waarde van alle berekende waarden actief te beheren, zodat de oplossingsengine de verwachte nauwkeurigheid behoudt. Dit wordt vaak onderwezen in programmeerlessen en wordt vaak verwaarloosd omdat het begrijpen en beheren van precisie saai en vervelend is.

Soms missen de waarnemingen consistentie (bijvoorbeeld vanwege bemonsterings- of synchronisatieproblemen) of betrouwbare precisie op het moment van meting (bijvoorbeeld vanwege tijdelijke instabiliteiten). Er zijn vaak manieren om dat op te schonen (bijvoorbeeld door grenslimietcontrole, gegevensanalyse en regressietechnieken). Er zijn vaak manieren om iets meer te maken dan door de gegevensstroom wordt onthuld, maar bij veel ervan gaat het om gissingen van programmeurs over wat er zou kunnen gebeuren. Wees hier voorzichtig mee — een goed resultaat is te belangrijk om a priori te weigeren , maar een onjuist resultaat kan schadelijker zijn dan de waarde van de potentiële verbetering die het mogelijk heeft gemaakt.

Soms kan de oplossingsprocedure zelf, zelfs met het juiste precisiebeheer, problemen veroorzaken. Stel dat we van nu tot oneindig een streamingfunctie willen integreren. Zelfs zeer kleine fouten of dubbelzinnigheden, onbeduidend in een enkele berekening, groeien tot astronomische waarden wanneer ze zich gedurende lange tijd continu ophopen. Dit kan verward raken met afronding en truncatie en een ongelijkheid veroorzaken als gevolg van continu vertekende meet- of integratiemethodologie. Dit kan zich in de loop van de tijd uiten in enorme fouten, bijvoorbeeld in de "I" -term van een PID-controller. Er zijn procedures voor gegevenscontrole en precisiebeheer, evenals wiskundige manieren om het probleem te benaderen voor de benodigde oplossing om deze problemen op te lossen, maar het pad om ze te ontdekken kan gênant zijn.

Soms wordt wiskunde toegepast op een vereiste zonder het probleem, de wiskunde of waar de wiskunde eigenlijk voor is ontworpen, volledig te begrijpen. Het kan bijvoorbeeld mogelijk zijn om soms een situatie te detecteren en de andere keer volledig te missen met exact dezelfde wiskunde.