PROJEKTOWANIE BAZ REGUŁ
|
|
- Ewa Żurek
- 5 lat temu
- Przeglądów:
Transkrypt
1 METODY HEURYSTYCZNE wkład 7 PROJEKTOWANIE AZ REGUŁ 2 Informacja niezbędna do zaprojektowania sterownika: numerczna (ilościowa) z czujników pomiarowch; lingwistczna (jakościowa) od eksperta. Stworzenie baz wiedz dla układu rozmtego zadanie nietrwialne... Siatka Indwidualne funkcje Siatki: proste i skuteczne; łączenie danch numercznch i nienumercznch poprzez uzupełnianie istniejącej baz reguł o nowe reguł (na podstawie danch uczącch); N k obszarów dla k wmiarów i N funkcji; często słaba aproksmacja. Funkcje indwidualne: dokładniejsze, lepsza aproksmacja, mniej funkcji; trudniejsze w implementacji. 3 4 Zadanie: Ustalenie reguł rozmtch tak, b sterownik generował właściwe sgnał wjściowe.. Określenie zakresu zm. danch WE [x i, x i+ ] i WY [ i, i+ ] 2. Podział zakresów na podobszar, np.: n = 2N+ M N,..., M, S, D,..., D N i przjęcie funkcji prznależności (np. trójkątnej) dla każdego z podobszarów. µ(x ) µ( ) µ(x ) M 2 M S D D 2 µ( ) M 3 M 2 M S D D 2 D 3 x x x + x 2 x + 2 x x x + x 2 x + 2 µ() µ() M 2 M S D D
2 3. Określenie stopnia prznależności każdego z sgnałów WE i WY do każdego z podobszarów. tu: StPrzn x do D =., do D 2 =.2, do innch = ; x ma największ StPrzn do D, do M Dla każdej par danch uczącch można napisać jedną regułę. µ(x ) M 2 M S D D 2 µ( ) M 3 M 2 M S D D 2 D 3 µ(x ) M 2 M S D D 2 µ( ) M 3 M 2 M S D D 2 D 3 x x x x + x 2 x + (2) x () () (2) 2 x x x x x + x 2 x + (2) () () (2) 2 µ() µ() M 2 M S D D 2 M 2 M S D D 2 () (2) + 7 () (2) + Np. dla reguł: IF (x is A AND is A 2 ) THEN is µ(x ) M 2 M S D D 2 µ( ) M 3 M 2 M S D D 2 D 3 Jeśli pewne reguł okazują się sprzeczne wbiera się regułę o największm stopniu prawdziwości. 5. Utworzenie baz reguł rozmtch na podstawie tablic: D 3 D 2 D S M S x x x + (2) x () x x 2 () (2) x + 2 µ() M 2 M S D D 2 () (2) + 9 Siatka: Regularna. Nieregularna: zagęść siatkę w miejscu największego błędu. Metoda mieszana: zacznij od regularnej siatki, przeprowadź adaptację parametrów. M 2 M 3 M 2 M S D D 2 x Sieci neuronowe: Możliwość uczenia, adaptacji i uogólniania. STEROWNIKI ROZMYTO NEURONOWE (SRN) Przetwarzanie równoległe o wsokiej moc oblicz. rak algortmu ustalania liczb warstw i liczb neuronów w nich dla konkretnch zastosowań. Wiedza zawarta w SSN jest rozproszona nieprzdatna dla obserwatora. Rozmte układ sterowania: Nie jest wmagana szczegółowa wiedza o procesie. Wiedza ma charakter jakościow a nie ilościow. rak możliwości adaptacji uczenia (wiedza o regułach pochodzi od eksperta); 2 2
3 Sterowniki rozmto neuronowe (SRN): Łączą najlepsze cech SR i SSN. Moc obliczeniowa i zdolność uczenia SSN połączone z sstemem rozumowania podobnm do ludzkiego (rozmtm); Wnioskowanie: SRN jako wielowarstwowe sieci feedforward Np. Sterownik Sugeno go rzędu Reguł: A A 2 2 w w 2 x 3 4 ANFIS (Adaptive NeuroFuzz Inference Sstem) Przkładowa realizacja: A w x A 2 Π w w 2 Σ Σw i i 2 a Π b w 2 2 Σ Σw i L L2 L3 L4 2 5 Warstwa L: Każd z elementów realizuje f. prznależności ZR A ik : i =, 2,.., liczba danch WE); k =, 2,.., liczba reguł. Na wejście podawane są dane WE, na wjściu wartości f. prznależności dla tch danch. Warstwa L ocenia stopień prznależności danch WE do odpowiednich zbiorów rozmtch. Parametr f. prznależności są modfikowane podczas uczenia. Liczba elementów liczba wszstkich zbiorów prznależności (liczba danchwe) (liczba_reguł) Warstwa L2: Jej konfiguracja odpowiada bazie reguł a element mnożące blokowi wnioskowania, Na wjściu wnik wnioskowania w postaci wartości funkcji prznależności. Liczba elementów warstw liczba reguł. Zalet SRN w porównaniu z SSN Warstwa i jej element, konfiguracja połączeń oraz wagi mają swoją fizczną interpretację; Wiedza nie jest rozproszona i może bć łatwo z sieci wodrębniona i analizowana przez jej obserwatora. Warstw L3 i L4: Realizacja bloku wostrzania. Wagi interpretuje się jako środki f. prznależności zbiorów rozmtch z wjścia bloku L2. Wagi modfikowane są w procesie uczenia. Wjście L4 nierozmta wartość WY sterownika. Uczenie: Propagacja wsteczna: korekta parametrów sterownika dla danch uczącch, b minimalizować błąd na wjściu. 3
4 POŁĄCZENIE AE I SSN:. Wspomagające (metod stosowane kolejno); 2. Współdziałające (metod stosowane jednocześnie). Ad.. (Połączenia wspomagające) SSN do wspomagania AE (rzadziej). Zastosowanie: sstem hbrdow do rozwiązania problemu połączeń drogowch: SSN utworzenie populacji pocz. AE procedura optmalizacjna ZADANIE SSN DANE (np. populacja pocz.) AE ROZWIĄZANIE AE do wspomagania SSN (częściej). a) AE do przgotowania danch dla SSN; b) AE do wboru reguł uczenia lub parametrów sterującch uczeniem SSN; c) AE do analiz SSN budowa narzędzi do wjaśnienia działania SSN. ZADANIE AE DANE (np. wagi początkowe) SSN ROZWIĄZANIE 9 2 Ad. 2. (Połączenia współdziałające ) AE do uczenia SSN Optmalizacja wag w sieci o ustalonej topologii (prz problemach z liczeniem pochodnch). AE do określania topologii SSN Optmalizacja architektur SSN poszukiwanie architektur, która działa najlepiej dla danego zadania prz zadanm krterium optmalności. Sstem łączące adaptacjne strategie SSN i AE. SSN do zadań optmalizacji i jednocześnie AE do ustawiania wag sieci. 2. SSN realizuje operacje genetczne (reprodukcja i krzżowanie). 2 DATA MINING (drążenie/eksploracja danch) Poszukiwanie zależności w dużch zbiorach danch i tworzenie modeli (np. biznesowch) z danch, np: Czm charakterzują się kierowc powodującch wpadki ze skutkiem śmiertelnm? Jakie kosmetki są najczęściej kupowane przez kobiet w wieku lat 34? Jakie jest prawdopodobieństwo niespłacenia kredtu przez klienta banku? Którz abonenci zrezgnują w najbliższm czasie z usług telekomunikacjnch? 22 Etap: Znalezienie naturalnch podziałów danch (grupowanie); Porządkowanie grup w segment; Tworzenie modeli zdolnch do działania (np. prognozowania) w oparciu o nowe dane. Wniki w formie: reguł logicznch IF...THEN; drzew deczjnch; sieci neuronowch. 23 SYSTEMY EKSPERTOWE Komputerowe program wspomagające deczje lub zastępujące eksperta w danej dziedzinie. Dwa zasadnicze element: aza wiedz będąca plikiem tekstowm. Sstem wnioskując będąc plikiem wkonwalnm. Dlaczego? Wiedza eksperta jest zasobem rzadkim i drogim. SE pozwalają większemu gronu ludzi działać jako ekspert (np. szkolenia). Połączenie wiedz kilku ekspertów może spowodować, że SE działa lepiej niż pojedncz ekspert. 24 4
5 Przkładowe obszar zastosowań SE: diagnozowanie chorób; poszukiwanie złóż minerałów; identfikacja struktur molekularnch; udzielanie porad prawniczch; diagnostka techniczna; dokonwanie wcen i kalkulacji kosztów napraw pojazdów przez firm ubezpieczeniowe Prolog klasczn jęzk do tworzeniu SE. Obecnie użwa się gotowch szkieletów SE (szkielet to gotow sstem ekspertow pozbawion wiedz). Najpopularniejsze, bezpłatne szkielet SE: CLIPS, JESS, MANDARAX SZKIELET SYSTEMU składniki: Interfejs użtkownika. Komunikacja z sstemem to zwkle zadawanie ptań, udzielanie informacji sstemowi i odbieranie od sstemu odpowiedzi i wjaśnień. Edtor baz wiedz. Umożliwia modfikację wiedz zawartej w sstemie, co pozwala na rozbudowę sstemu. Mechanizm wnioskowania. Najważniejsz składnik sstemu ekspertowego. Jego zadaniem jest wciąganie wniosków z przesłanek i ptań wprowadzanch przez użtkownika i generowanie odpowiedzi. AZA WIEDZY: Drugi pod względem ważności składnik sstemu. W bazie wiedz zawarta jest wekstrahowana od ludzkich ekspertów wiedza dotcząca określonej dziedzin. Wiedza ta zwkle zapisana jest za pomocą wbranego sposobu reprezentacji wiedz, na przkład za pomocą reguł lub ram. Mechanizm wjaśniając. Umożliwia wjaśnienie na żczenie użtkownika, dlaczego sstem udzielił takiej, a nie innej odpowiedzi, lub dlaczego sstem zadał użtkownikowi określone ptanie AZA DANYCH ZMIENNYCH: SYSTEMY WIELOAGENTOWE Pomocnicza baza danch, w której przechowwane są wnioski uzskane przez sstem podczas jego działania. aza ta umożliwia odtworzenie sposobu wnioskowania sstemu i przedstawienie go użtkownikowi za pomocą mechanizmu wjaśniającego. Ekstrakcją wiedz od ekspertów zajmują się na ogół inżnierowie wiedz. Jest to zwkle długi i żmudn proces, ponieważ wiedza stosowana przez ludzkich ekspertów jest zwkle wiedzą praktczną i intuicjną. 29 Program komputerowe próbujące smulować różnorodne złożone zjawiska za pomocą wirtualnch agentów (np. reprezentującch element sstemu biznesowego). zachowania agentów proste reguł. interakcja poszczególnch agentów smulacja zachowania zbiorowego i jego wpłwu na cał sstem; uruchomione modele realistcznie obrazują dan proces. 3 5
6 SW to: źródło informacji na temat dnamiki naśladowanch sstemów rzeczwistch. strategiczne narzędzia dla analiz whatif (Komputer niekied generuje strategie, którch użtkownik nigd b nie rozważł). Często stosowane do rozwiązwania problemów o charakterze rozproszonm lub złożonch obliczeniowo, np.: wszukiwanie informacji w sieci; zarządzanie sieciami telekomunikacjnmi; smulacja rnku; wspomaganie zarządzania w przedsiębiorstwie; kontrola ruchu lotniczego. 3 PROGRAMO WANIE GENETYCZNE 32 program, które powstają samocznnie... Automatczne generowanie tekstów programów, jeśli znane są krteria ocen prawidłowości działania. Jęzk bazow LISP (program jest reprezentowan w identczn sposób jak dane w postaci drzewa). Operator genetczne: uwzględnienie specfiki metod kodowania i umożliwienie modfikacji: wartości w węzłach drzewa; struktur drzewa. Kodowanie w postaci łańcucha binarnego zastąpiono drzewiastm. W węzłach mogą znajdować się: smbole pewnego alfabetu; wartości liczbowe dskretne i ciągłe; stałe, zmienne lub funkcje. 33 Obecnie: programowanie genetczne często do określenia wszelkich algortmów wkorzstującch drzewiastą reprezentację zadania i modfikującch strukturę tej reprezentacji. 34 Kodowanie drzewiaste: Chromosom jest kodowan jako drzewo, składające się z węzłów i krawędzi. Informacja jest zawarta w węzłach, zaś krawędzie określają wzajemne relacje pomiędz węzłami. Jeśli krawędź jest skierowana od węzła A do, to A jest nazwan nadrzędnm, podrzędnm. Węzł: terminalne (nie posiadają węzłów podrzędnch); pośrednie (nieterminalne). Istnieje dokładnie jeden węzeł, nie posiadając nadrzędnego korzeń drzewa. 35 Przkład Funkcja obliczająca pierwiastki rzeczwiste równania kwadratowego: setq delta b b 4 a c 36 6
7 Krzżowanie: + sin + sin Jest wkonwane dla par osobników rodzicielskich i prowadzi do powstania par osobników potomnch. x 32 x 2 x Z każdego z osobników rodzicielskich wodrębnian jest losowo wbran węzeł pośredni (wraz ze swoim poddrzewem) lub terminaln. / 2 / Chromosom potomne powstają w wniku zamian powstałch poddrzew. sin 2 x sin Mutacja wariant: Mutacja wariant: Zmiana zawartości węzła terminalnego: Zamiana korzenia poddrzewa na węzeł terminaln: + x + 4 x 3 Zamiana węzła terminalnego na korzeń losowego wgenerowanego poddrzewa: Zamiana poddrzewa na inne: + x + + x x sin 39 3 x 4 Mutacja wariant: Reorganizacja poddrzew: sin 3 x cos cos sin 3 x SYSTEMY (ALGORYTMY) MRÓWKOWE
8 Mrówki są praktcznie ślepe, lecz potrafią znaleźć najkrótszą drogę do pożwienia i z powrotem. Ich obserwacja bła inspiracją do powstania (Dorigo, 996) nowego tpu algortmów zwanch mrówkowmi (ant algorithms, ant sstems) Zastosowania zad. optmalizacji kombinatorcznej: problem komiwojażera; harmonogramowanie wznaczanie tras w sieciach telekomunikacjnch; wznaczanie optmalnch tras w ruchu miejskim. 43 F food source N nest 44 Sstem bazujące na inteligencji masowej populacja mrówek (podobnie jak w AE). Każda mrówka w populacji poszukuje rozwiązania (najkrótszej drogi). Pozostawianie feromonu na trasie. Wbór tras na podstawie ilości feromonu Wielokrotne powtarzanie: trasa optmalna. 45 E F D A.5.5 C Czas (t) jest dskretn; W każdej jednostce czasu każda mrówka przemieszcza się o d = pozostawiając jednostkę feromonu. W chwili t = brak feromonu na wszstkich krawędziach. Znaleźć najkrótszą drogę międz A i F E 6 F z F do A t = D.5.5 C E t = F 6 6 D C E 6 F t = 2 t = 2 D.5.5 C E 6 F 6 D C z A do F 6 A 6 A 47 6 A 6 A 4
9 Proste podążanie ścieżką z największą ilością feromonu szbkie utknięcie w optimum lokalnm. Potrzebna jest eksploracja ścieżek mrówki wbierają ścieżki z prawdopodobieństwem proporcjonalnm do intenswności śladu feromonowego na niej. To, że mrówka wbierze daną ścieżkę zależ zarówno od intenswności feromonu jak również np. odległości od następnego miasta (TSP). W celu zapewnienia braku nieograniczonego wzrostu ilości feromonu parowanie feromonu. 49 ALGORYTMY IMMUNO LOGICZNE 5 NATURALNY SYSTEM IMMUNOLOGICZNY: Może bć przedstawion w postaci warstwowej: Jego zadaniem jest ochrona żwego organizmu przed działaniem obcch struktur mającch charakter chorobotwórcze (patogen), jak wirus, bakterie, grzb cz niewłaściwie funkcjonujące komórki. Wszstkie te struktur, które wwołują reakcję immunologiczną, nazwane są antgenami. ardzo ogólnie: rozpoznawanie antgenów na zasadzie swójobc i eliminowanie tch drugich.. Skóra podstawowa bariera ochronna. 2. Warstwa fizjologiczna (temperatura, ph) stwarza warunki niekorzstne dla rozwoju obcch organizmów. 3. Odporność wrodzona (nieswoista) 4. Odporność adaptacjna (swoista) 5 rozpoznawanie i eliminacja antgenów przez odpowiednie komórki 52 Limfoct komórki, będące głównmi składowmi adaptacjnego sstemu immunologicznego. Limfoct (głównie tpów T i ) w wielkich ilościach krążą w płnach ustrojowch sstem immunologiczn jest sstemem zdecentralizowanm a wszstkie jego komórki mogą się dowolnie przemieszczać. Limfoct rozpoznają napotkane antgen i pomagają je eliminować, prz czm mogą ze sobą lokalnie współpracować. Limfoct tpu produkcja przeciwciał rozpoznającch antgen. Limfoct tpu T rozpoznawanie swójobc. Duże zróżnicowanie limfoctów: pozwala na rozpoznawanie wielu różnch antgenów; pierwotnie zbt mała liczba komórek rozpoznającch antgen b go zwalczć
10 SZTUCZNY SYSTEM IMMUNOLOGICZNY (Artificial Immune Sstem, AIS) Zbiór metod obliczeniowch inspirowanch zasadami działania układów odpornościowch kręgowców. Tlko niektóre element naturalnch układów są brane pod uwagę, tpowo: mutacja limfoctów, proliferacja, komórki pamięci, rozpoznawanie antgenów z użciem limfoctów i T. Niektóre zastosowania: optmalizacja (patogen reprezentuje optimum globalne, szukane jest najlepiej dopasowane przeciwciało); zagadnienia zw. z bezpieczeństwem sieciowm (np. NIDS network intrusion detection sstem) uczenie masznowe; sstem agentowe. 55 AIS POJĘCIA: Komórka macierzsta wzorzec akceptowan w sstemie; Przeciwciało obiekt rozpoznając obiekt nie będące komórkami macierzstm (wzorce niepożądane). Antgen obiekt rozpoznawan i uaktwniając przeciwciała. Komórka pamięciowa przechowuje informacje o rozpoznanm antgenie; prz kolejnm ataku antgenu zostaje on dużo szbciej rozpoznan. Proliferacja namnażanie się komórek. Hipermutacje mutacje, którch częstotliwość jest prznajmniej o jeden rząd wielkości większa, niż innch mutacji w organizmie (zwkle jeszcze częściej). 56 PODSTAWOWE MECHANIZMY: Selekcja klonalna (limfoct ) Cel namnożenie odpowiednich przeciwciał, biorącch udział w zwalczaniu danego antgenu. Uaktwnione limfoct dzielą się produkując wiele klonów, które następnie przechodzą hipermutację b wtworzć lepiej dopasowane przeciwciała. Ocenian stopień dopasowania każdego klonu do antgenu. Słabo dopasowane usuwane, dobrze dopasowane pozostają. Selekcja negatwna (limfoct T) Cel utworzenie zbioru przeciwciał detektorów, które nie są uaktwniane przez komórki macierzste. W procesie tm limfoctom T pokazwane są komórki własne. Jeśli dan limfoct rozpozna którąś z nich, jest on usuwan. Nie podlegają mutacji Przkład: AIS autorstwa Wacława Kusia.Losowe wgenerowanie komórek pamięciowch. 2. Komórki pamięciowe proliferują i mutują tworząc limfoct (liczba klonów zależ od przstosowania). 3.Obliczenie wartości przstosowania dla limfoctów. 4.Selekcja na podstawie odległości międz każdą komórką pamięciową a limfoctami. 5. Mechanizm zatłoczenia usuwa podobne komórki pamięci. 6.Procedura jest powtarzana do spełnienia warunku zakończenia (np. liczba iteracji). 59 ALGORYTMY IMMUNOGENETYCZNE Są połączeniem mechanizmów genetcznch (ewolucjnch) i immunologicznch; AIS i AE mają wiele cech wspólnch, np. działanie na populacji osobników, stosowanie mechanizmów selekcji. W algortmach immunogenetcznch stosowane są operator krzżowania, mutacji i selekcji (jak AE) prz zachowaniu populacji antgenów i przeciwciał (jak AIS). Często: AE do generowania populacji przeciwciał, b poddać je immunologicznej selekcji negatwnej. Funkcja przstosowania zwkle miar bazujące na stopniu dopasowania przeciwciała do antgenu (jak w AIS). 6
Np.:
INTELIGENTNE TECHNIKI KOMPUTEROWE wkład STEROWNIKI ROZMYTE TAKAGISUGENO aza reguł sterownika ma charakter rozmt tlko w części IF. W części THEN wstępują zależności funkcjne. Np.: R () : IF prędkość is
Bardziej szczegółowoPROJEKTOWANIE BAZ REGUŁ
METODY HEURYSTYCZNE wkład 7 PROJEKTOWANIE AZ REGUŁ Stworzenie baz wiedz dla układu rozmtego zadanie nietrwialne... Siatka Indwidualne funkcje Informacja niezbędna do zaprojektowania sterownika: numerczna
Bardziej szczegółowoMETODY HEURYSTYCZNE wykład 7
METODY HEURYSTYCZNE wykład 7 PROJEKTOWANIE BAZ REGUŁ 2 Informacja niezbędna do zaprojektowania sterownika: numeryczna (ilościowa) z czujników pomiarowych; lingwistyczna (jakościowa) od eksperta. Stworzenie
Bardziej szczegółowoMETODY HEURYSTYCZNE 7
METODY HEURYSTYCZNE wykład 7 PROJEKTOWANIE BAZ REGUŁ 2 Informacja niezbędna do zaprojektowania sterownika: numeryczna (ilościowa) z czujników pomiarowych; lingwistyczna (jakościowa) od eksperta. Stworzenie
Bardziej szczegółowox 1 x 2 x 3 x n w 1 w 2 Σ w 3 w n x 1 x 2 x 1 XOR x (x A, y A ) y A x A
Sieci neuronowe model konekcjonistczn Plan wkładu Perceptron - przpomnienie Uczenie nienadzorowane Sieci Hopfielda Perceptron w 3 Σ w n A Liniowo separowaln problem klasfikacji ( A, A ) Problem XOR 0 0
Bardziej szczegółowoOPTYMALIZACJA WIELOMODALNA
OLIZENI EWOLUYJNE ITNESS. STRT OMPUTTION ITNESS. OMPUTTION INITIL SUGenration SENING HROM. TO OMPUTERS chromosome N REEIVING ITNESS. EVOLUTIONRY OPERTORS wkład VLUE 6 fitness f. value MIGRTION PHSE ITNESS.
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBGenration SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. VALUE fitness f. value wykład 7 FITNESS
Bardziej szczegółowoPlan wyk y ł k adu Mózg ludzki a komputer Komputer Mózg Jednostki obliczeniowe Jednostki pami Czas operacji Czas transmisji Liczba aktywacji/s
Sieci neuronowe model konekcjonistczn Plan wkładu Mózg ludzki a komputer Modele konekcjonistcze Sieć neuronowa Sieci Hopfielda Mózg ludzki a komputer Twój mózg to komórek, 3 2 kilometrów przewodów i (biliard)
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
OPTYMALIZACJA WIELOMODALNA OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. EVOLUTIONARY OPERATORS
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBGenration SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. VALUE fitness f. value wykład 6 FITNESS
Bardziej szczegółowoMetody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści
Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji
Bardziej szczegółowoALGORYTMY IMMUNO- LOGICZNE
OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBGenration SENDING CHROM. TO COMPUTERS chromosome wykład AND RECEIVING FITNESS F. EVOLUTIONARY OPERATORS 7 VALUE fitness
Bardziej szczegółowoSystemy ekspertowe i ich zastosowania. Katarzyna Karp Marek Grabowski
Systemy ekspertowe i ich zastosowania Katarzyna Karp Marek Grabowski Plan prezentacji Wstęp Własności systemów ekspertowych Rodzaje baz wiedzy Metody reprezentacji wiedzy Metody wnioskowania Języki do
Bardziej szczegółowoZastosowanie sztucznych systemów immunologicznych w zagadnieniach optymalizacji
Zastosowanie sztucznych systemów immunologicznych w zagadnieniach optymalizacji 26 października 2011 Agenda Wprowadzenie 1 Wprowadzenie 2 Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu
Bardziej szczegółowoProblem Komiwojażera - algorytmy metaheurystyczne
Problem Komiwojażera - algorytmy metaheurystyczne algorytm mrówkowy algorytm genetyczny by Bartosz Tomeczko. All rights reserved. 2010. TSP dlaczego metaheurystyki i heurystyki? TSP Travelling Salesman
Bardziej szczegółowoPlan. Sztuczne systemy immunologiczne. Podstawowy słownik. Odporność swoista. Architektura systemu naturalnego. Naturalny system immunologiczny
Sztuczne systemy immunologiczne Plan Naturalny system immunologiczny Systemy oparte na selekcji klonalnej Systemy oparte na modelu sieci idiotypowej 2 Podstawowy słownik Naturalny system immunologiczny
Bardziej szczegółowoWielowymiarowe bazy danych
Wielowmiarowe baz danch Wielowmiarowe baz danch Dziedzin zastosowań Multimedialne baz danch dane medialne przechowwane jako wielowmiarowe wektor danch Sstem geograficzne, sstem wspomagania projektowania
Bardziej szczegółowoPODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"
PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych
Bardziej szczegółowoZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE
SYSTEMY ROZMYTE ZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE 2 965 Lotfi A. Zadeh: Fuzzy sets Metoda reprezentacji wiedzy wyrażonej w języku naturalnym: Temperatura wynosi 29 o C informacja liczbowa - naturalna
Bardziej szczegółowoElementy cyfrowe i układy logiczne
Element cfrowe i układ logiczne Wkład 6 Legenda Technika cfrowa. Metod programowania układów PLD Pamięć ROM Struktura PLA Struktura PAL Przkład realizacji 3 4 5 6 7 8 Programowanie PLD po co? ustanowić
Bardziej szczegółowoPODSTAWOWE POJĘCIA OPTYMALIZACJI [M. Ostwald: Podstawy optymalizacji konstrukcji, Wyd. Politechniki Poznańskiej, 2005]
PODSTAWOWE POJĘCIA OPTYMALIZACJI [M. Ostwald: Podstaw optmalizacji konstrukcji, Wd. Politechniki Poznańskiej, 2005] POW Problem optmalnego wboru PWOW Problem wielokrterialnego wboru OW Optmalizacja wielokrterialna
Bardziej szczegółowoELEMENTY TEORII ZBIORÓW ROZMYTYCH
ELEMENTY TEORII ZBIORÓW ROZMYTYCH OPRACOWAŁ: M. KWIESIELEWICZ POJĘCIA NIEPRECYZYJNE ODDZIAŁYWANIA CZŁOWIEK-OBIEKT TECHNICZNY OTOCZENIE (Hoang 990: człowieka na otoczenie, np.: ergonomiczna konstrukcja
Bardziej szczegółowoAlgorytmy mrówkowe. P. Oleksyk. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne
y mrówkowe P. Oleksyk Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne 14 kwietnia 2015 1 Geneza algorytmu - biologia 2 3 4 5 6 7 8 Geneza
Bardziej szczegółowoSztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych. Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010
Sztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010 Sieci neuronowe jednokierunkowa wielowarstwowa sieć neuronowa sieci Kohonena
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. wykład VALUE 5fitness f. value EVOLUTIONARY
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Metaheurystyki oparte na algorytmach lokalnego przeszukiwania Maciej Hapke maciej.hapke at put.poznan.pl GRASP Greedy Randomized Adaptive Search Procedure T.A. Feo, M.G.C. Resende,
Bardziej szczegółowoProgramowanie nieliniowe optymalizacja funkcji wielu zmiennych
Ekonomia matematczna II Ekonomia matematczna II Prowadząc ćwiczenia Programowanie nieliniowe optmalizacja unkcji wielu zmiennch Modele programowania liniowego często okazują się niewstarczające w modelowaniu
Bardziej szczegółowoAlgorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation)
Algorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation) Jest to technika probabilistyczna rozwiązywania problemów obliczeniowych, które mogą zostać sprowadzone do problemu znalezienie
Bardziej szczegółowoALGORYTMY GENETYCZNE ćwiczenia
ćwiczenia Wykorzystaj algorytmy genetyczne do wyznaczenia minimum globalnego funkcji testowej: 1. Wylosuj dwuwymiarową tablicę 100x2 liczb 8-bitowych z zakresu [-100; +100] reprezentujących inicjalną populację
Bardziej szczegółowoUniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu.
SYLLABUS na rok akademicki 01/013 Tryb studiów Studia stacjonarne Kierunek studiów Informatyka Poziom studiów Pierwszego stopnia Rok studiów/ semestr /3 Specjalność Bez specjalności Kod katedry/zakładu
Bardziej szczegółowoSYSTEMY (ALGORYTMY) MRÓWKOWE
OLIZNI WOLUYJN ITNSS. STRT OMPUTTION ITNSS. OMPUTTION INITIL SUGenration SNING HROM. TO OMPUTRS chromosome VOLUTIONRY OPRTORS N RIVING ITNSS. wykład 7 VLU fitness f. value MIGRTION PHS ITNSS. communication
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Algorytm kolonii mrówek Idea Smuga feromonowa 1 Sztuczne mrówki w TSP Sztuczna mrówka agent, który porusza się z miasta do miasta Mrówki preferują miasta połączone łukami z dużą
Bardziej szczegółowoAlgorytmy genetyczne
Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoWstęp do Sztucznej Inteligencji: Laboratorium Sterownik rozmyty
Wstęp do Sztucznej Inteligencji: Laboratorium Sterowni rozmt Zbior rozmte pozwalają w sposób usstematzowan modelować pojęcia niepreczjne, jaimi ludzie posługują się na co dzień. Przładem może bć wrażenie
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych, moduł kierunkowy oólny Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK
Bardziej szczegółowoTemat: ANFIS + TS w zadaniach. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: ANFIS + TS w zadaniach Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1. Systemy neuronowo - rozmyte Systemy
Bardziej szczegółowoAlgorytmy genetyczne
9 listopada 2010 y ewolucyjne - zbiór metod optymalizacji inspirowanych analogiami biologicznymi (ewolucja naturalna). Pojęcia odwzorowujące naturalne zjawiska: Osobnik Populacja Genotyp Fenotyp Gen Chromosom
Bardziej szczegółowoArchipelag Sztucznej Inteligencji
Archipelag Sztucznej Inteligencji Istniejące metody sztucznej inteligencji mają ze sobą zwykle niewiele wspólnego, więc można je sobie wyobrażać jako archipelag wysp, a nie jako fragment stałego lądu.
Bardziej szczegółowoProgramowanie genetyczne
Dariusz Banasiak Katedra Informatyki Technicznej Wydział Elektroniki Programowanie genetyczne jest rozszerzeniem klasycznego algorytmu genetycznego i jest wykorzystywane do automatycznego generowania programów
Bardziej szczegółowoSztuczne sieci neuronowe
2 Sztuczne sieci neuronowe Sztuczna sieć neuronowa (NN ang. Neural Network) to bardzo uproszczon model rzeczwistego biologicznego sstemu nerwowego. Sztuczną sieć neuronową można zdefiniować jako zespolon
Bardziej szczegółowoKARTA MODUŁU KSZTAŁCENIA
KARTA MODUŁU KSZTAŁCENIA I. Informacje ogólne 1 Nazwa modułu kształcenia Sztuczna inteligencja 2 Nazwa jednostki prowadzącej moduł Instytut Informatyki, Zakład Informatyki Stosowanej 3 Kod modułu (wypełnia
Bardziej szczegółowoAlgorytm genetyczny (genetic algorithm)-
Optymalizacja W praktyce inżynierskiej często zachodzi potrzeba znalezienia parametrów, dla których system/urządzenie będzie działać w sposób optymalny. Klasyczne podejście do optymalizacji: sformułowanie
Bardziej szczegółowoAlgorytmy mrówkowe. H. Bednarz. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne
Algorytmy mrówkowe H. Bednarz Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne 13 kwietnia 2015 1 2 3 4 Przestrzeń poszukiwań Ograniczenia
Bardziej szczegółowoSieci Neuronowe - Rok III - kierunek IS w IFAiIS UJ 2008/2009. Sieci Neuronowe. Wykład 11 Algorytmy genetyczne; Systemy rozmyte
Sieci Neuronowe Wykład 11 Algorytmy genetyczne; Systemy rozmyte wykład przygotowany na podstawie. S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 4, PWNT, Warszawa 1996. W. Duch, J. Korbicz,
Bardziej szczegółowoRysunek 1-1. Przykładowy zbiór klasyczny (nierozmyty) oraz jego funkcja przynale żności.
Podstaw logiki rozmtej i regulatorów rozmtch. Zbiór rozmt Pojęcie zbioru rozmtego zostało wprowadzone przez L. A. Zadeha w 965. Celem wprowadzenia tego pojęcia bła chęć modelowania procesów złożonch, w
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Wykład 7. O badaniach nad sztuczną inteligencją Co nazywamy SZTUCZNĄ INTELIGENCJĄ? szczególny rodzaj programów komputerowych, a niekiedy maszyn. SI szczególną własność
Bardziej szczegółowoBloki funkcjonalne. stanowią wyposażenie bibliotek komputerowych systemów projektowania. Każdy układ cyfrowy składamy z bloków funkcjonalnych ZPT
Bloki funkcjonalne stanowią wposażenie bibliotek komputerowch sstemów projektowania Licznik Mux Rejestr Każd układ cfrow składam z bloków funkcjonalnch Edtor graficzn IN CLK CK IN LB[7..] STOP] OUT CLOK
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Jak określa się inteligencję naturalną? Jak określa się inteligencję naturalną? Inteligencja wg psychologów to: Przyrodzona, choć rozwijana w toku dojrzewania i uczenia
Bardziej szczegółowoUczenie sieci neuronowych i bayesowskich
Wstęp do metod sztucznej inteligencji www.mat.uni.torun.pl/~piersaj 2009-01-22 Co to jest neuron? Komputer, a mózg komputer mózg Jednostki obliczeniowe 1-4 CPU 10 11 neuronów Pojemność 10 9 b RAM, 10 10
Bardziej szczegółowoSystemy ekspertowe i sztuczna inteligencja. dr Agnieszka Nowak Brzezioska
Systemy ekspertowe i sztuczna inteligencja dr Agnieszka Nowak Brzezioska Email: agnieszka.nowak@us.edu.pl Architektura SE Pojęcia z dziedziny systemów ekspertowych Inżynieria wiedzy - dziedzina sztucznej
Bardziej szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki, pojęć
Bardziej szczegółowoSYSTEMY EKSPERTOWE. Anna Matysek IBiIN UŚ 2008
SYSTEMY EKSPERTOWE Anna Matysek IBiIN UŚ 2008 DEFINICJE SE System ekspertowy to program komputerowy, który wykonuje złożone zadania o dużych wymaganiach intelektualnych i robi to tak dobrze jak człowiek
Bardziej szczegółowoSystemy eksperowe. Agnieszka Nowak Brzezińska Wykład I
Systemy eksperowe Agnieszka Nowak Brzezińska Wykład I Zakres materiału: Metody wnioskowania w regułowych bazach wiedzy PC-Shell jako narzędzie do budowy szkieletowych systemów ekspertowych (Sprawozdanie
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
Bardziej szczegółowoOptymalizacja. Wybrane algorytmy
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Andrzej Jaszkiewicz Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem
Bardziej szczegółowoZadania laboratoryjne i projektowe - wersja β
Zadania laboratoryjne i projektowe - wersja β 1 Laboratorium Dwa problemy do wyboru (jeden do realizacji). 1. Water Jug Problem, 2. Wieże Hanoi. Water Jug Problem Ograniczenia dla każdej z wersji: pojemniki
Bardziej szczegółowoAlgorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009
Algorytmy genetyczne Paweł Cieśla 8 stycznia 2009 Genetyka - nauka o dziedziczeniu cech pomiędzy pokoleniami. Geny są czynnikami, które decydują o wyglądzie, zachowaniu, rozmnażaniu każdego żywego organizmu.
Bardziej szczegółowoSCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO
SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania
Bardziej szczegółowo6. Zagadnienie parkowania ciężarówki.
6. Zagadnienie parkowania ciężarówki. Sterowniki rozmyte Aby móc sterować przebiegiem pewnych procesów lub też pracą urządzeń niezbędne jest stworzenie odpowiedniego modelu, na podstawie którego można
Bardziej szczegółowoPLAN WYKŁADU OPTYMALIZACJA GLOBALNA OPERATOR KRZYŻOWANIA ETAPY KRZYŻOWANIA
PLAN WYKŁADU Operator krzyżowania Operator mutacji Operator inwersji Sukcesja Przykłady symulacji AG Kodowanie - rodzaje OPTYMALIZACJA GLOBALNA Wykład 3 dr inż. Agnieszka Bołtuć OPERATOR KRZYŻOWANIA Wymiana
Bardziej szczegółowoRozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja II
Zespół TI Instytut Informatyki Uniwersytet Wrocławski ti@ii.uni.wroc.pl http://www.wsip.com.pl/serwisy/ti/ Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja II Rozkład wymagający
Bardziej szczegółowoProgramowanie obiektowe
Programowanie obiektowe Sieci powiązań Paweł Daniluk Wydział Fizyki Jesień 2015 P. Daniluk (Wydział Fizyki) PO w. IX Jesień 2015 1 / 21 Sieci powiązań Można (bardzo zgrubnie) wyróżnić dwa rodzaje powiązań
Bardziej szczegółowoAlgorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych
Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w
Bardziej szczegółowoSystemy mrówkowe. Opracowali: Dawid Strucker, Konrad Baranowski
Systemy mrówkowe Opracowali: Dawid Strucker, Konrad Baranowski Wprowadzenie Algorytmy mrówkowe oparte są o zasadę inteligencji roju (ang. swarm intelligence). Służą głównie do znajdowania najkrótszej drogi
Bardziej szczegółowoE: Rekonstrukcja ewolucji. Algorytmy filogenetyczne
E: Rekonstrukcja ewolucji. Algorytmy filogenetyczne Przypominajka: 152 drzewo filogenetyczne to drzewo, którego liśćmi są istniejące gatunki, a węzły wewnętrzne mają stopień większy niż jeden i reprezentują
Bardziej szczegółowoProf. Stanisław Jankowski
Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228 sjank@ise.pw.edu.pl Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny
Bardziej szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia stacjonarne i niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia stacjonarne i niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki,
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Bardziej szczegółowoSystemy ekspertowe. Krzysztof Patan
Systemy ekspertowe Krzysztof Patan Wprowadzenie System ekspertowy Program komputerowy, który wykonuje złożone zadania o dużych wymaganiach intelektualnych i robi to tak dobrze jak człowiek będący ekspertem
Bardziej szczegółowoLABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład II. Uczenie sztucznych neuronów.
Wstęp do teorii sztucznej inteligencji Wykład II Uczenie sztucznych neuronów. 1 - powtórzyć o klasyfikacji: Sieci liniowe I nieliniowe Sieci rekurencyjne Uczenie z nauczycielem lub bez Jednowarstwowe I
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)
Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia
Bardziej szczegółowoDrzewa decyzyjne. 1. Wprowadzenie.
Drzewa decyzyjne. 1. Wprowadzenie. Drzewa decyzyjne są graficzną metodą wspomagania procesu decyzyjnego. Jest to jedna z najczęściej wykorzystywanych technik analizy danych. Drzewo składają się z korzenia
Bardziej szczegółowoRozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja I
Zespół TI Instytut Informatyki Uniwersytet Wrocławski ti@ii.uni.wroc.pl http://www.wsip.com.pl/serwisy/ti/ Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja I Rozkład zgodny
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 9 PRZESZUKIWANIE GRAFÓW Z
Bardziej szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoAlgorytmy stochastyczne, wykład 02 Algorytmy genetyczne
Algorytmy stochastyczne, wykład 02 Algorytmy genetyczne J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-02-27 1 Mutacje algorytmu genetycznego 2 Dziedzina niewypukła abstrakcyjna
Bardziej szczegółowoMetody Programowania
POLITECHNIKA KRAKOWSKA - WIEiK KATEDRA AUTOMATYKI i TECHNIK INFORMACYJNYCH Metody Programowania www.pk.edu.pl/~zk/mp_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 8: Wyszukiwanie
Bardziej szczegółowoWykorzystanie sieci neuronowych w kryptologii.
Wkorzstanie sieci neuronowch w krptologii. Piotr Kotlarz Uniwerstet Kazimierza Wielkiego, Bdgoszcz piotrk@ukw.edu.pl Promotor rozpraw doktorskiej dr hab. Zbigniew Kotulski /7 Plan prezentacji -Obszar zastosowań
Bardziej szczegółowoZAGADNIENIA ZALICZENIOWE i PRZYKŁADY PYTAŃ z METOD KOMPUTEROWYCH w TSiP
ZAGADNIENIA ZALICZENIOWE i PRZYKŁADY PYTAŃ z METOD KOMPUTEROWYCH w TSiP. Podstawowe związki (równania równowagi, liniowe i nieliniowe związki geometrczne, związki fizczne, warunki brzegowe) w zapisie wskaźnikowm
Bardziej szczegółowoStrefa pokrycia radiowego wokół stacji bazowych. Zasięg stacji bazowych Zazębianie się komórek
Problem zapożyczania kanałów z wykorzystaniem narzędzi optymalizacji Wprowadzenie Rozwiązanie problemu przydziału częstotliwości prowadzi do stanu, w którym każdej stacji bazowej przydzielono żądaną liczbę
Bardziej szczegółowoObliczenia inspirowane Naturą
Obliczenia inspirowane Naturą Wykład 10 - Mrówki w labiryntach Jarosław Miszczak IITiS PAN Gliwice 05/05/2016 1 / 48 Na poprzednim wykładzie 1... 2... 3... 2 / 48 1 Motywacja biologiczna Podstawowe mechanizmy
Bardziej szczegółowoWybrane podstawowe rodzaje algorytmów
Wybrane podstawowe rodzaje algorytmów Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii informatycznych
Bardziej szczegółowoAlgorytmy ewolucyjne (3)
Algorytmy ewolucyjne (3) http://zajecia.jakubw.pl/nai KODOWANIE PERMUTACJI W pewnych zastosowaniach kodowanie binarne jest mniej naturalne, niż inne sposoby kodowania. Na przykład, w problemie komiwojażera
Bardziej szczegółowoPodstawy programowania 2. Temat: Drzewa binarne. Przygotował: mgr inż. Tomasz Michno
Instrukcja laboratoryjna 5 Podstawy programowania 2 Temat: Drzewa binarne Przygotował: mgr inż. Tomasz Michno 1 Wstęp teoretyczny Drzewa są jedną z częściej wykorzystywanych struktur danych. Reprezentują
Bardziej szczegółowoZasady budowania prognoz ekonometrycznych
Zasad budowania prognoz ekonometrcznch Klasczne założenia teorii predkcji 1. Znajomość modelu kształtowania się zmiennej prognozowanej Znajomość postaci analitcznej wstępującch zależności międz zmiennmi
Bardziej szczegółowoRealizacja funkcji przełączających
Realizacja funkcji przełączającch. Wprowadzenie teoretczne.. Podstawowe funkcje logiczne Funkcja logiczna NOT AND OR Zapis = x x = = x NAND NOR.2. Metoda minimalizacji funkcji metodą tablic Karnaugha Metoda
Bardziej szczegółowoMetody sztucznej inteligencji w układach sterowania METODY SZTUCZNEJ INTELIGENCJI W UKŁADACH STEROWANIA
1 Metody sztucznej inteligencji w układach sterowania Podstawy algorytmów genetycznych oraz ich aplikacje w procesach optymalizacji Sztuczne sieci neuronowe-formalne podstawy i wybrane aplikacje Wprowadzenie
Bardziej szczegółowo25. RÓWNANIA RÓŻNICZKOWE PIERWSZEGO RZĘDU. y +y tgx=sinx
5. RÓWNANIA RÓŻNICZKOWE PIERWSZEGO RZĘDU 5.1. Pojęcia wstępne. Klasfikacja równań i rozwiązań Rozróżniam dwa zasadnicze tp równań różniczkowch: równania różniczkowe zwczajne i równania różniczkowe cząstkowe.
Bardziej szczegółowoTemat: Model TS + ANFIS. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Model TS + ANFIS Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Pierwszym rodzajem modelowania
Bardziej szczegółowoSztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Bardziej szczegółowo7. Zagadnienie parkowania ciężarówki.
7. Zagadnienie parkowania ciężarówki. Sterowniki rozmyte Aby móc sterować przebiegiem pewnych procesów lub też pracą urządzeń niezbędne jest stworzenie odpowiedniego modelu, na podstawie którego można
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoInteligentne systemy informacyjne
Inteligentne systemy informacyjne Moduł 10 Mieczysław Muraszkiewicz www.icie.com.pl/lect_pw.htm M. Muraszkiewicz strona 1 Sieci neuronowe szkic Moduł 10 M. Muraszkiewicz strona 2 Dwa nurty M. Muraszkiewicz
Bardziej szczegółowoAlgorytmy Równoległe i Rozproszone Część V - Model PRAM II
Algorytmy Równoległe i Rozproszone Część V - Model PRAM II Łukasz Kuszner pokój 209, WETI http://www.sphere.pl/ kuszner/ kuszner@sphere.pl Oficjalna strona wykładu http://www.sphere.pl/ kuszner/arir/ 2005/06
Bardziej szczegółowoAutomatyczny dobór parametrów algorytmu genetycznego
Automatyczny dobór parametrów algorytmu genetycznego Remigiusz Modrzejewski 22 grudnia 2008 Plan prezentacji Wstęp Atrakcyjność Pułapki Klasyfikacja Wstęp Atrakcyjność Pułapki Klasyfikacja Konstrukcja
Bardziej szczegółowoTechnologie cyfrowe. Artur Kalinowski. Zakład Cząstek i Oddziaływań Fundamentalnych Pasteura 5, pokój 4.15
Technologie cyfrowe Artur Kalinowski Zakład Cząstek i Oddziaływań Fundamentalnych Pasteura 5, pokój 4.15 Artur.Kalinowski@fuw.edu.pl Semestr letni 2014/2015 Zadanie algorytmiczne: wyszukiwanie dane wejściowe:
Bardziej szczegółowoNEURAL NETWORK ) FANN jest biblioteką implementującą SSN, którą moŝna wykorzystać. w C, C++, PHP, Pythonie, Delphi a nawet w środowisku. Mathematica.
Wykorzystanie sztucznych sieci neuronowych do rozpoznawania języków: polskiego, angielskiego i francuskiego Tworzenie i nauczanie sieci przy pomocy języka C++ i biblioteki FANN (Fast Artificial Neural
Bardziej szczegółowoAlgorytmy metaheurystyczne podsumowanie
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Andrzej Jaszkiewicz Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem
Bardziej szczegółowo