Boven programmeren: essentiële vaardigheden voor succesvolle automatiseringsprojecten

Het vertalen van wiskundige vergelijkingen naar code is onderdeel van, maar ook los van, de ontwikkeling van automatiseringsprojecten met computeroplossingen. We moeten de effectiviteit van de wiskundige vergelijkingen ten opzichte van de behoeften van het te ontwikkelen project overwegen. We moeten ook de oplossingsmethode voor het oplossen van de vergelijkingen met de betrokken data en timing overwegen.

Data-problemen die het oplossingsalgoritme bereiken, moeten gedetecteerd, gecontroleerd, en waar mogelijk, gecorrigeerd worden. Precisiebeheer moet op verschillende stadia van het proces plaatsvinden. Fouten die onderweg ontstaan door het oplossingsproces en implementatie moeten gedetecteerd en beheerd worden.

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

Houd er eerst rekening mee dat niet alles wat we niet specifiek deterministisch maken, standaard stochastisch is. Computers en de procedures waarmee ze problemen oplossen kunnen obscure biases introduceren die, met analyse, duidelijk deterministisch zijn – alleen niet intentioneel. De eenvoudige voorbeelden die het probleem illustreren gaan over precisie. In veel gevallen zouden we willen denken dat intermediaire waarden precies goed zijn of tenminste afgerond met criteria die we uit de wiskunde kennen.

Op verschillende niveaus dwingt afkapping – in plaats van afronding – berekende getallen om in de variabelengrootte te passen die voor hen is voorzien. Soms maakt dit niet uit, maar soms introduceert het biases. Het kan nuttig zijn om wiskundige procedures en praktijken actief te gebruiken om de opgeslagen waarde van alle berekende waarden te managen zodat de oplossingsmotor de verwachte nauwkeurigheid behoudt. Dit wordt vaak in programmeerlessen geleerd, en vaak verwaarloosd omdat het begrijpen en beheren van precisie saai en vervelend is.

Soms missen observaties consistentie (bijv. door sampling of synchronisatieproblemen) of betrouwbare precisie op het moment van meting (bijv. door transe instabiliteiten). Er zijn vaak manieren om dat op te schonen (bijv. door grenswaarde controleren, data-analyse, en regressietechnieken). Er zijn vaak manieren om meer te maken dan wat de datasteam onthult, maar velen ervan omvatten programmeursgissingen over wat er mogelijk gebeurt. Wees voorzichtig met dit – een goed resultaat is te belangrijk om a priori te verwerpen, maar een incorrect resultaat kan schadelijker zijn dan de waarde van de potentiële verbetering die het faciliterde.

Soms kan de oplossingsprocedure zelf, zelfs met geschikt precisiebeheer, problemen introduceren. Stel we willen een streaming functie integreren van nu tot oneindig.zelfs erg kleine fouten of onduidelijkheden, onbetekenisvol in een enkele berekening, groeien tot astronomische waarden wanneer ze continu geaccumuleerd worden over lange periodes. Dit kan verward raken met afronding en afkapping en een dispariteit produceren door continu gebiaseerde meting of integratiemethodologie. Dit kan zich over tijd manifesteren in enorme fouten, bijvoorbeeld in de "I"-term van een PID-controller. Er zijn data-controle en precisiebeheer procedures, evenals wiskundige benaderingen van het probleem voor de benodigde oplossing die deze problemen oplossen, maar het pad tot het ontdekken ervan kan embarrassant zijn.

Soms wordt wiskunde toegepast op een eis zonder het probleem, de wiskunde, of wat de wiskunde eigenlijk ontworpen is om te doen, volledig te begrijpen. Het kan mogelijk zijn om een situatie soms te detecteren en andere keren volledig te missen met exact dezelfde wiskunde.