METODA WSTAWIEŃ W KLASYCZNYCH PROBLEMACH SZEREGOWANIA. Cz. I. PROBLEM PRZEPŁYWOWY.
|
|
- Błażej Gajda
- 5 lat temu
- Przeglądów:
Transkrypt
1 METOD WSTWIEŃ W KLSYCZNYCH PROBLEMCH SZEREGOWNI. Cz. I. PROBLEM PRZEPŁYWOWY. Eugenuz Nowck, Maruz Makuchowk Strezczene: Prezentowana praca jet perwzą częścą opracowana dotyczącego metody wtaweń w zatoowanu do budowy algorytmów kontrukcyjnych dla klaycznych problemów zeregowana operacj produkcyjnych. Przedtawa ę w nej zereg tego typu algorytmów będących modyfkacją aktualne najlepzego znanego w lteraturze algorytmu kontrukcyjnego, zbudowanego na baze metody wtaweń, dla jednego z najbardzej klaycznych problemów zeregowana jakm jet problem przepływowy. Jako podtawowe kryterum przyjmuje ę moment wykonana wzytkch zadań. Dodatkowo prezentuje ę zczegółowe wynk numerycznych badań porównawczych pomędzy proponowanym algorytmam a algorytmem. Słowa kluczowe: metoda wtaweń, problem przepływowy, algorytmy kontrukcyjne. 1. Wprowadzene W otatnch klku dekadach oberwuje ę burzlwy rozwój teor zeregowana, a w zczególnośc jej totnego fragmentu zwązanego z zeregowanem operacj produkcyjnych na mazynach. Jet to powodowane przede wzytkm bardzo duŝą aplkacyjnoścą otrzymywanych rezultatów, które pozwolły na zbudowane efektywnych algorytmów tanowących jądra komputerowo zntegrowanych ytemów wytwarzana. Specyfka problemów oraz wymagana praktyczne powodują jednak, Ŝe zantereowane badaczy kupa ę przede wzytkm na kontrukcj efektywnych algorytmów przyblŝonych zamat algorytmów dokładnych (znajdujących uzeregowane optymalne). Wynka to przede wzytkm z faktu, Ŝe cza dzałana algorytmu jet bardzo totnym parametrem, zaś zdecydowana wękzość problemów naleŝy do klay tzw. problemów NPtrudnych, co praktyczne wyklucza tnene zybkch algorytmów dokładnych. Ogólne algorytmy przyblŝone moŝna podzelć na dwe klay: algorytmy kontrukcyjne oraz algorytmy popraw. Idea algorytmów kontrukcyjnych polega na tym, Ŝe tartując z uzeregowana putego, w kaŝdym kolejnym kroku teracyjnym zeregują na odpowednej mazyne jedną z dotychcza ne uzeregowanych operacj aŝ do uzeregowana ch wzytkch, co jet równowaŝne z otrzymanem uzeregowana pełnego zakończenem dzałana. Spoób wyboru zeregowanej w danym kroku operacj, mazyny na której ma być ona zeregowana oraz pozycj, na którą jet ona wtawana na wybranej mazyne określa dany algorytm kontrukcyjny. Z kole algorytmy popraw tartują z pełnego uzeregowana (otrzymanego z reguły przez algorytmy kontrukcyjne) natępne w kolejnych krokach teracyjnych tarają ę poprawć to uzeregowane w ene wartośc rozpatrywanego kryterum. JuŜ z tego bardzo ogólnego opu wynka, Ŝe algorytmy kontrukcyjne dzałają w czae zdecydowane krótzym nŝ algorytmy popraw. Netety jakość produkowanych przez ne 1
2 uzeregowań jet znaczne gorza. Tym nemnej potrzeba zatoowana dobrego (w ene wartośc funkcj celu) uzeregowana początkowego dla algorytmów popraw powoduje, Ŝe badana na tym algorytmam ą w dalzym cągu waŝne w pełn uzaadnone. Co węcej ą take ytuacje produkcyjne (np. aware), w których bardzo zybke algorytmy ą koneczne, ponewaŝ cza dzałana algorytmów popraw dla problemów o praktycznych rozmarach waha ę z reguły od klku do klkunatu mnut podcza gdy algorytmy kontrukcyjne wymagają czau tylko rzędu klku ekund. RóŜnorodność ytuacj produkcyjnych powoduje, Ŝe zdecydowana wękzość tnejących algorytmów kontrukcyjnych jet wyoce pecjalzowana dla konkretnych problemów zeregowana modelujących określone ytuacje produkcyjne z reguły brak w nch elementów wpólnych. Itotnym wyjątkem ą algorytmy bazujące na metodze wtaweń. Ogólne mówąc algorytmy te kładają ę z dwóch faz: fazy wtępnej fazy zaadnczej. W faze wtępnej tworzy ę ltę operacj według neronących wartośc prorytetów. Faza druga rozpoczyna ę od uzeregowana putego kłada ę z tylu kroków teracyjnych le operacj naleŝy uzeregować. W kaŝdym kroku teracyjnym zereguje ę kolejną operacje z lty. Szeregowane to polega na próbnym wtawanu tej operacj na wzytke pozycje w zbudowanym w poprzednch krokach częścowym uzeregowanu z jednoczenym wyznaczenem wartośc pewnej funkcj ocenającej kaŝde próbne wtawene. Pozycja dla której funkcja ocenająca przyjmuje wartość najmnejzą jet pozycją, na którą wtawa ę otateczne zeregowaną operacje. Z powyŝzego opu wdać, Ŝe elementam dentyfkującym dany algorytm bazujący na metodze wtaweń ą tylko dwa elementy: potać prorytetów oraz potać funkcj ocenającej. Co węcej, z reguły jako funkcję ocenającą przyjmuje ę rozwaŝaną funkcje kryteralną. Powoduje to, Ŝe algorytmy te ą praktyczne unweralne moŝna jej tounkowo łatwo adaptować do róŝnego rodzaju problemów zeregowana operacj produkcyjnych. Netety jak dotychcza odczuwa ę brak w lteraturze wyczerpujących badań nad algorytmam tego typu, mmo Ŝe panuje powzechne przekonane potwerdzone przeprowadzanym tetam Ŝ algorytmy te produkują rozwązana najbardzej blke rozwązanom optymalnym w całej klae algorytmów kontrukcyjnych. Prezentowana praca jet perwzą częścą opracowana dotyczącego metody wtaweń w zatoowanu do budowy algorytmów kontrukcyjnych dla klaycznych problemów zeregowana operacj produkcyjnych takch jak problem przepływowy problem gnazdowy. Problemy te ą powzechne uwaŝane za ztandarowe problemy teor zeregowana, ponewaŝ modelują wele rzeczywtych proceów produkcyjnych, tanowąc jednocześne bazę do modelowana nnych, bardzej komplkowanych proceów. W pracy kupamy ę na probleme przepływowym. Dla tego problemu znany jet tylko jeden algorytm bazujący na technce wtaweń, zaproponowany w 1983 r. w [1] zwany tam algorytmem od perwzych lter nazwk jego twórców. Szczegółowe badana porównawcze jednoznaczne pokazują, Ŝe jet to aktualne najlepzy algorytm kontrukcyjny dla badanego problemu. Zaproponowane przez na modyfkacje tego algorytmu pozwolły jednak na zbudowane welu jego mutacj, które zachowują ę znaczne lepej, tzn. przy praktyczne dopuzczalnym zwękzenu czau oblczeń produkują uzeregowana o zauwaŝalne mnejzych wartoścach funkcj celu. Badana porównawcze przeprowadzono na tetowych przykładach z pracy [2], dotępnych przez eć Internetu powzechne toowanych do tetowana algorytmów przyblŝonych dla badanego zagadnena. Rozmar tych przykładów waha ę od 1000 do operacj dlatego wydaje ę być adekwatny do wękzośc ytuacj praktycznych. 2
3 2. Problem przepływowy jego permutacyjne formułowane. Problem przepływowy moŝna określć natępująco. Dany jet zbór zadań J = {1,2,...,n} oraz zbór mazyn M = {1,2,..., m}. Zadane j, j J ma być wykonywane kolejno na mazynach 1, 2,..., m. Czynność polegającą na wykonywanu zadana j na mazyne l nazywamy operacją notujemy jako parę (l, j), Zadane j na mazyne l (tzn. operacja (l, j) jet realzowane bez przerw w czae p 0. Przyjmuje ę, Ŝe: () mazyna l, l M l, j > moŝe wykonywać co najwyŝej jedną operację w danej chwl, () ne moŝna jednocześne wykonywać węcej nŝ jednej operacj danego zadana w danej chwl oraz () kaŝda mazyna wykonuje zadana w tej amej kolejnośc. Uzeregowane dopuzczalne jet defnowane przez momenty rozpoczęca wykonywana S(l, j) operacj (l, j), l M, j J take, Ŝe wzytke powyŝze ogranczena ą pełnone. Problem polega na znalezenu uzeregowana dopuzczalnego mnmalzującego moment wykonana wzytkch zadań j J C( m, j) gdze C ( m, j) = S( m, j) + p m, j. Dla dalzych rozwaŝań wygodne jet zatoować tzw. permutacyjne formułowane badanego problemu, w którym zmenną decyzyjną jet permutacja zboru zadań J, zaś wartość kryterum, czyl moment wykonana wzytkch zadań, jet długoścą najdłuŝzej śceŝk w pewnym grafe. Mając na uwadze, Ŝe w prezentowanych algorytmach na danym kroku teracyjnym jet uzeregowana tylko część zadań ze zboru J, koneczne jet przyjęce pewnych uprazających załoŝeń notacyjnych. Nech oznacza dowolny podzbór zboru zadań J, π - permutację tego zboru, zaś Π - zbór wzytkch takch permutacj. Formalne π oraz Π pownny być ndekowane przez, lecz dla uprozczena notacj ndek ten pomjamy dodatkowo przyjmujemy, Ŝe ymbol π oznacza lczność zboru = { π (1), π (2),..., π ( π )}. Po tych uwagach moŝemy przejść bezpośredno do permutacyjnego formułowana badanego problemu. Dla π Π określamy kerowany T K graf G( π ) = ( M J, E E ) ze zborem werzchołków M J oraz łuków potac T K E E o E T m π = l = 2 = 1 K m π = l = 1 = 2 U U {(( l 1, ), ( l, ))}, E U U {(( l, 1), ( l, ))}. KaŜdy werzchołek (l, ) reprezentuje operację ( l, π ( )) ma obcąŝene równe pl, π ( ). Łatwo zauwaŝyć, Ŝe dla danej permutacj π Π moment rozpoczęca wykonywana S( l, π ( )) operacj ( l, π ( )) równa ę długośc najdłuŝzej śceŝk w grafe G (π ) wychodzącej z werzchołka (1,1) dochodzącej do werzchołka (l, ) (bez obcąŝena tego werzchołka). Co węcej, długość najdłuŝzej śceŝk (śceŝka krytyczna), oznaczanej dalej przez C ( ), równa ę momentow wykonana wzytkch zadań, Otateczne problem π prowadza ę do znalezena 3. lgorytm * * ( Π π Π takej, Ŝe C π ) = mn π C ( π ). Jak juŝ wpomnalśmy aktualne najlepzym algorytmem kontrukcyjnym dla problemu przepływowego jet algorytm z pracy [1], oparty jet na technce wtaweń. W faze wtępnej (faza perwza) algorytmu przyjmuje ę, Ŝe prorytet ω( j) zadana j jet równy ume czaów wykonywana tego zadana na wzytkch mazynach, tzn. 3
4 m j) = l = 1 p l, ω (. (1) Intucja przyjęca takej potac prorytetu polega na tym, Ŝe wydaje ę Ŝ trzeba rozpocząć zeregowane od najwękzego zadana a natępne coraz mnejze kolejne zadana upychać w powtałe dzury w uzeregowanu. W faze zaadnczej (faza druga) jako funkcję ocenająca próbne wtawene danego zadana przyjmuje ę funkcje kryteralną, czyl moment wykonana wzytkch aktualne uzeregowanych zadań, łączne z próbne wtawonym zadanem. PonŜej przedtawamy zczegółowy chemat algorytmu. lgorytm Faza I. Dla kaŝdego zadana j wyznacz jego prorytet ω ( j), j J. Znajdź permutację zadań α taką, Ŝe ω( α(1)) ω( α(2))... ω( α( n)). Faza II. PołóŜ π : = ( α(1)), U : = { α(1)}. Dla kaŝdego t = 2,3,..., n wykonaj: Krok 1. PołóŜ j : = α( t) wyznacz t permutacj γ = ( π (1),..., π ( 1), j, π ( ),..., π ( t 1)), = 1,2,...,t, przez włoŝene zadana j przed kaŝdą pozycję w permutacj π dodatkowo za otatną pozycję w tej permutacj.. Wśród tych permutacj wyznacz permutację γ taką, Ŝe 1 t oraz C γ ) = mn C ( γ ). PołóŜ π : = γ oraz U : = U { j}. ( 1 t W powyŝzym chemace zbór U określa zadana, które zotały uzeregowane na danym etape dzałana algorytmu. Po zakończenu dzałana algorytmu wyprodukowana przez nego permutacja π = π. Przeprowadzmy teraz analzę złoŝonośc oblczenowej algorytmu. Faza I wymaga O ( nlogn) czau. PonewaŜ wyznaczene wartośc funkcj ocenającej wymaga O (nm) czau w jednej teracj w faze II (krok 1) jet ona wyznaczana co najwyŝej n razy, to do wykonana jednej teracj w faze II potrzeba O ( n 2 m) czau. Stąd z faktu, Ŝe w faze II wykonuje ę n-1 teracj (kroków 1) wynka, Ŝe do realzacj tej faza potrzeba O ( n 3 m) czau. Jet to równeŝ złoŝoność oblczenowa całego algorytmu. Przedtawony powyŝej cza dzałana algorytmu moŝna jednak znaczne zredukować wykorzytując pecyfczny poób wyznaczana wartośc funkcj ocenającej przedtawony w pracy [3]. Dla wygody czytelnka, krótko go nazkcujemy. Bezpośredno przed rozpoczęcem wykonywana danej teracj t dyponujemy permutacją π = ( π (1), π (2),..., π ( t 1)), według której zotało juŝ uzeregowane t-1 zadań wypecyfkowanych w zborze U. Dla kaŝdej operacj ( l, ), l M, U wyznaczamy w grafe G (π ) długość r ( l, ) najdłuŝzej śceŝk wychodzącej z werzchołka (1,1) dochodzącej do werzchołka (l, ) oraz długość q ( l, ) najdłuŝzej śceŝk wychodzącej z werzchołka (l, ) dochodzącej do werzchołka (m, t-1); zajmuje to łączne O (nm) czau. Wykorzytując te welkośc, cza wyznaczena wartośc funkcj ocenającej C ( γ ) włoŝene zadana j przed utaloną pozycję w permutacj π moŝna zredukować z O (nm) do O (m). W tym celu wylczamy w czae O (m) długość R (l), l=1,...,m najdłuŝzej 4
5 śceŝk wychodzącej z werzchołka (1,1) dochodzącej do werzchołka (l, ) w grafe G( γ ) z natępujących oczywtych zaleŝnośc rekurencyjnych: R ( 1) r(1, ( 1)) + p1, j = π, R l) = { R( l 1), r( l, π ( 1) + }, l=2,...,m. ( p l, j Natępne w czae O (m) wylczany C γ ) wykorzytując zaleŝność C ( ( γ ) = 1 l m ( R( l) + q( l, π ( ))). Stąd wynka, Ŝe jedną terację w faze II moŝna wykonać w czae O (nm) co powoduje, Ŝe złoŝoność oblczenowa algorytmu redukuje ę do O(n 2 m). Badana numeryczne pokazują, Ŝe praktyczne redukcja ta oznacza n/2 - krotne krócene czau oblczeń. Na konec prezentacj algorytmu, warto zauwaŝyć, Ŝe jego domnacja wśród algorytmów kontrukcyjnych zotała takŝe częścowo potwerdzona teoretyczne przed analzę najgorzego przypadku. W pracy [5] pokazano, Ŝe algorytmy kontrukcyjne zbudowane na baze nnych najbardzej popularnych metod (metody prorytetowej oraz metody relakacj) mają wpółczynnk najgorzego przypadku ne mnejzy nŝ (m+1)/2; wpółczynnk najgorzego przypadku jet defnowany jako makymalna, po wzytkch przykładach m mazynowych, wartość lorazu wartośc funkcj celu produkowanej przez dany algorytm do mnmalnej wartośc funkcj celu. Z kole w [4] [5] pokazano, Ŝe wpółczynnk najgorzego przypadku algorytmu jet ne wękzy nŝ (m+1)/2 oraz ne mnejzy nŝ m / 2. Co węcej, tneje podejrzene, Ŝe jego rzeczywta wartość jet równa podanemu dolnemu ogranczenu. 4. Modyfkacje algorytmu nalzując zczegółowo algorytm zauwaŝamy, Ŝe wtawene operacj j na danym kroku teracyjnym t natępuje w poób optymalny dla utalonej juŝ częścowej kolejnośc wykonywana π = ( π (1),..., π ( t 1)) zadań ze zboru U. Ne oznacza to jednak, Ŝe po znalezenu dla zadana j najlepzej pozycj wyprodukowanu nowej permutacj częścowej γ = ( π (1),..., π ( 1), j, π ( ),..., π ( t 1)), ne moŝna zmnejzyć wartośc funkcj celu C ( γ ) zmenając w otrzymanej permutacj połoŝene nnych zadań. Ze względów czaowych jet oczywte, Ŝe naleŝy raczej kupć ę na zmane połoŝena tylko newelkej lczby zadań a najlepej tylko pewnego jednego zadana x j. Przytępując do realzacj tak ogólne zaryowanej de modyfkacj algorytmu naleŝy odpowedzeć na dwa pytana: (1) jak określć zadane x, którego połoŝene będzemy zmenać? oraz (2) na jaka pozycję pownno ono być wtawone? Odpowedz na pytane 2 wydaje ę być oczywta. NaleŜy zadane x wyjąć z t elementowej permutacj π = γ otrzymując t-1 elementową permutację oznaczaną dalej przez β natępne wtawć zadane x na taką pozycje w permutacj β, dla której wartość funkcj celu jet najmnejza. Odpowedź na pytane 1 ne jet juŝ taka oczywta dlatego naleŝy rozwaŝyć pewna lczbę reguł wyboru zadana x. Borąc powyŝze pod uwagę, proponujemy modyfkację algorytmu, zwaną dalej algorytmem IR (od ang. Inert Renert), która polega na dodanu po kroku 1 fazy II algorytmu dodatkowego kroku 2 o natępującej potac: 5
6 Krok 2. Określ zadane x j toując utaloną regułę wyboru. Utwórz permutację β = ( β (1),..., β ( t 1)) przez uunęce zadana x z permutacj π. Wyznacz t permutacj γ = ( β (1),..., β ( 1), x, β ( ),..., β ( t 1)), = 1,2,..., t, przez włoŝene zadana x przed kaŝdą pozycję w permutacj β dodatkowo za otatną pozycję w tej permutacj. Wśród tych permutacj wyznacz permutację ( 1 t oraz C γ ) = mn C ( γ ). PołóŜ π : = γ γ taką, Ŝe 1 t ZauwaŜmy, Ŝe z wyjątkem określena zadana x oraz utworzena permutacj β, krok 2 jet dentyczny jak krok 1. Stąd, jeŝel złoŝoność oblczenowa tych wyjątków ne będze wękza nŝ O (nm), to złoŝoność oblczenowa algorytmu IR pozotane taka ama jak algorytmu. W celu określena zadana x proponujemy natępujące cztery reguły wyboru: Reguła 1. Na śceŝce krytycznej w grafe G (π ) znajdź operację o najwękzym czae wykonywana (wyłączając operacje zadana j). Jako zadane x przyjmj zadane, w którego kład wchodz ta operacja. Reguła 2. Dla kaŝdego zadana z permutacj π (z wyjątkem zadana j) wyznacz obcąŝene tego zadana śceŝką krytyczną defnowane jako uma czaów wykonywana tych jego operacj, które wchodzą w kład śceŝk krytycznej w grafe G (π ). Jako zadane x przyjmj zadane o najwękzym obcąŝenu. Reguła 3. Wśród zadań z permutacj π (z wyjątkem zadana j) znajdź zadane o najwękzej lczbe operacj wchodzących w kład śceŝk krytycznej w grafe G (π ). JeŜel wybór jet jednoznaczny, przyjmj to zadane jako x. W przecwnym wypadku jako zadane x przyjmj zadane, które jednocześne ma najwękzą wartość prorytetu (1). Reguła 4. Jako zadane x przyjmj to zadane z permutacj π (z wyjątkem zadana j), którego uunece z tej permutacj powoduje najwękze zmnejzene wartośc funkcj celu. Idea kontrukcj wzytkch powyŝzych reguł jet dentyczna polega na tym, Ŝe naleŝy uunąć to zadane, które ma najwękzy wpływ na wartość funkcj celu. W regule 4 jet ona realzowana bezpośredno a w pozotałych regułach pośredno. Realzując tą dee lczymy na to, Ŝe zmenając połoŝene takego zadana znajdzemy po wykonanu kroku 2 zauwaŝalne lepzą, w ene wartośc funkcj celu, permutację nŝ permutacja znalezona po kroku 1. ZauwaŜmy, Ŝe cza realzacj kaŝdej z reguł ne jet wękzy nŝ O (nm). Dla reguł 1-3 uwaga ta jet oczywta, zaś dla reguły 4 wymaga krótkego komentarza. Proponujemy rozpocząć wykonywane tej reguły od wylczena w czae O (nm) długośc r ( l, ), q ( l, ) najdłuŝzych dróg w grafe G (π ) zgodne z defncją podaną w rozdzale 3. Wtedy wartość funkcj celu C ( ) dla permutacj δ otrzymanej z permutacj π po uunęcu zadana π () moŝna wyznaczyć w czae O (m) wykorzytując oczywtą zaleŝność δ 6
7 C ( δ ) = 1 l m ( r( l, π ( 1)) + q( l, π ( + 1)) ) ; j, = 1,..., t, gdze π (0) = π ( t + 1) =0, r( l,0) = q( l,0) = 0 dla l M. Z faktu, Ŝe wzytkch permutacj δ jet ne węcej nŝ n wynka, Ŝe cza realzacj reguły 4 jet O (nm). Reaumując oznacza to, Ŝe złoŝoność oblczenowa algorytmu IR przy zatoowanu reguł 1-4 wyno O(n 2 m). Dalej algorytm IR z regułą wyboru k będzemy nazywać algorytmem IRk, k =1,2,3,4. Zmana połoŝena zadana x w permutacj π moŝe powodować, Ŝe zadane j wtawone w kroku 1 ne zajmuje juŝ optymalnej pozycj. Dlatego teŝ proponujemy dalzą modyfkację algorytmów IR1-IR4 polegającą na zmane połoŝena tego zadana a dokładnej na znalezenu dla nego najlepzej pozycj w ene wartośc funkcj celu. W konekwencj ugerujemy modyfkację algorytmu IRk, zwaną dalej algorytmem IRRk, która prowadza ę do dodanu po kroku 2, dodatkowego kroku 3 o natępującej potac: Krok 3. Utwórz permutację δ = ( δ (1),..., δ ( t 1)) przez uunęce zadana j z permutacj π. Wyznacz t permutacj γ = ( δ (1),..., δ ( 1), j, δ ( ),..., δ ( t 1)), = 1,2,..., t, przez włoŝene zadana j przed kaŝdą pozycję w permutacj δ dodatkowo za otatną pozycję w tej permutacj. Wśród tych permutacj wyznacz permutację γ taką, Ŝe 1 t oraz C γ ) = mn C ( γ ). PołóŜ π : = γ ( 1 t Podobne jak poprzedno, dodany krok 3 jet oblczenowo dentyczny jak krok 1 dlatego złoŝoność oblczenowa kaŝdego z algorytmów IRR1-IRR4 wyno O(n 2 m). 5. Wynk badań tetowych Głównym celem badań tetowych jet zbadane, na le rozwązana wyprodukowane przez oem zaproponowanych algorytmów IR1-IR4, IRR1-IRR4 ą lepze od rozwązań generowanych przez algorytm. lgorytmy będzemy tetować na zczególne trudnych 120 przykładach zaproponowanych przez Tallarda w pracy [2], których rozmar waha ę od 20 zadań 5 mazyn ( 100 operacj) do 500 zadań 20 mazyn ( operacj); przykłady podzelone ą na 12 grup po 10 przykładów o tej amej lczbe zadań mazyn; dana grupa jet notowana jako n/m. NaleŜy tu zauwaŝyć, Ŝe trudność tetowych przykładów wynka ne tylko z ch duŝego rozmaru ale z faktu, Ŝ zotały one wybrane wśród dzeątek tyęcy przykładów generowanych loowo, jako najbardzej złoślwe. Dodatkowym elementem przemawającym za wyborem tych przykładów ą znane dla nch rozwązana optymalne lub prawe optymalne, [6]. Rozwązana te zotały otrzymane w wynku ogromne czaochłonnych aborbujących wele komputerów ejach oblczenowych toując metodę podzału ogranczeń. Jako rozwązana początkowe przyjmowano rozwązana otrzymane przez algorytm popraw bazujący na technce tabu earch z pracy [7]. Dalej wartośc funkcj celu dla tych rozwązań będzemy nazywać B wartoścam bazowym notować jako C. lgorytmy zaprogramowano w Delph 4.0 a oblczena przeprowadzono na komputerze Pentum II (333Mhz). Dla kaŝdego przykładu wyznaczano względną poprawę Φ = 100% ( C C )/ C (2) wartośc C funkcj celu otrzymanej algorytmem przez zatoowane algorytmu generującego wartość funkcj celu C, { IR1,IR2,IR3,IR4,IRR1,IRR2,IR3, IRR4}. 7
8 Natępne dla kaŝdej z 12 grup przykładów kaŝdego tetowanego algorytmu wylczono wartość średną v[ Φ ] z 10 wartośc Φ dla pozczególnych przykładów. Wynk przedtawono w tabel 1. Grupa Tab. 1. Względne poprawy algorytmu Względna poprawa algorytmu przez algorytm w % ( v[ Φ ] dla algorytmu ) n/m IR1 IR2 IR3 IR4 IRR1 IRR2 IRR3 IRR4 20/5 0,84 0,23 0,49 0,33 1,15 1,12 1,16 1,03 20/10 0,84 0,64 0,69 1,51 1,17 1,18 1,32 1,75 20/20-0,36 0,22 0,16 0,96 0,19 0,50 0,59 1,45 50/5 0,11 0,24 0,13 0,05-0,21 0,17 0,10 0,07 50/10 0,39 0,28 0,40 0,72 0,41 0,65 0,51 0,81 50/20 0,19 0,01-0,12 0,93 0,29 0,90 0,44 1,34 100/5 0,01-0,02 0,04 0,07 0,03 0,01 0,04 0,08 100/10 0,43 0,59 0,46 0,79 0,43 0,51 0,60 0,55 100/20 0,37 0,51 0,56 0,80 0,73 0,62 0,62 1,11 200/10 0,24 0,43 0,29 0,32 0,35 0,55 0,38 0,56 200/20 0,28 0,36 0,20 0,92 0,67 0,57 0,64 1,00 500/20 0,23 0,29 0,16 0,53 0,31 0,44 0,27 0,56 wzytke 0,30 0,32 0,29 0,66 0,46 0,60 0,55 0,86 Z analzy tabel 1 wynka, Ŝe w przypadku algorytmów IR reguła 4 zachowuje ę najlepej. Pozotałe reguł zachowują ę prawe dentyczne z lekką przewagą reguły 2. Podobna ytuacja wytępuje w przypadku algorytmów IRR z tym, Ŝe teraz przewaga reguły 2 nad regułam 1 3 jet bardzej wdoczna. Potwerdza to naze ntucyjne przewdywana, Ŝe naleŝy zmenać połoŝene tego zadana, które ma najwękzy wpływ na wartość funkcj celu, ponewaŝ reguła 4 wyraŝa to w poób bezpośredn a natępne w kolejnośc reguła 2. Generalne, wzytke tetowane algorytmy poprawają algorytm z tym, Ŝe zdarzają ę take grupy przykładów, dla których nektóre z nch zachowują ę gorzej. Odno ę to tylko do algorytmów IR1, IR2, IR3. Powtórna zmana połoŝena wtawonego wcześnej zadana j realzowana przez algorytmy IRR wydaje ę być - w oblczu wynków z tabel 1 - w pełn uzaadnona. Względna poprawa rozwązań produkowanych przez algorytm przez najlepzy z tetowanych algorytmów, jakm okazał ę algorytm IRR4, wyno średno 0,86 %, wahając ę od 0,07% do 1,75% w zaleŝnośc od grupy przykładów. Odpowedź na pytane czy taka względna poprawa jet godna uwag zaleŝy oczywśce od tego jak duŝa jet makymalna moŝlwa względna poprawa. Dlatego teŝ przeprowadzono dalze badana tetowe polegające na tym, Ŝe dla kaŝdego przykładu wyznaczono makymalną moŝlwą względną poprawę Φ, B Φ = 100% ( C C )/ C. (3) 8
9 W powyŝzym wzorze zamat mnmalnej wartośc funkcj celu wprowadzono wartość bazową B C, która - jak juŝ wpomnalśmy - dość dobrze ją przyblŝa. Natępne dla Φ kaŝdej z 12 grup przykładów wylczono wartość średną v [ Φ ] z 10 wartośc dla pozczególnych przykładów. Wynk przedtawono w drugej kolumne tabel 2. Dodatkowo w trzecej czwartej kolumne powtórzono z tabel 1 wartośc średnch względnych popraw dla najlepzych algorytmów z grupy IR IRR, tzn. algorytmów = IR4, IRR4. Tab. 2. Porównane względnych popraw z makymalnym względnym poprawam Grupa v [ Φ ] v[ Φ ] dla alg. v[ Φ v[ Φ ] ] w % dla alg. n/m IR4 IRR4 IR4 IRR4 20/5 3,11 0,33 1,03 10,5 33,1 20/10 4,70 1,51 1,75 32,1 37,2 20/20 3,53 0,96 1,45 27,2 41,0 50/5 0,70 0,05 0,07 7,6 9,7 50/10 4,79 0,72 0,81 15,1 16,9 50/20 5,81 0,93 1,34 16,0 23,1 100/5 0,48 0,07 0,08 14,4 17,6 100/10 2,29 0,79 0,55 34,4 24,3 100/20 5,16 0,80 1,11 15,5 21,5 200/10 1,36 0,32 0,56 23,4 41,2 200/20 4,14 0,92 1,00 22,2 24,1 500/20 2,16 0,53 0,56 24,5 26,1 wzytke 3,18 0,66 0,86 20,2 26,3 Z analzy tabel 2 wynka, Ŝe makymalna względna poprawa rozwązań produkowanych przez algorytm wyno średno 3,18 %, wahając ę od 0,48% do 5,81% w zaleŝnośc od grupy przykładów. Porównując te welkośc z wartoścam popraw algorytmu przez algorytm IR4 lub IRR4 naleŝy zauwaŝyć, Ŝe algorytmy te totne poprawają rozwązana dotarczone przez algorytm. Szczególne jano wynka to z dwóch otatnch kolumn tabel 2, w których podano jak procent makymalnej względnej poprawy tanow względna poprawa produkowana odpowedno przez algorytm IR4 oraz IRR4. Przykładowo, dla algorytmu IRR4 wartość ta wyno średno 26%, wahając ę od 10% do 41%. Podumowując wynk przeprowadzonych badań tetowych moŝemy twerdzć, Ŝe proponowane modyfkacje algorytmu dotarczają algorytmów produkujących rozwązana o totne mnejzych wartoścach funkcj celu. Co węcej, cza oblczeń dla najbardzej czaochłonnego algorytmu, jakm jet algorytm IRR4, ne przekracza 3 ekund dla najwękzych tetowanych przykładów o rozmarze operacj. Oznacza to, Ŝ proponowany w tej pracy kerunek badań jet bardzo obecujący pownen być kontynuowany. 9
10 Lteratura 1. Nawaz M., Encore Jr. E.E., Ham I.: heurtc algorthm for the m-machne, n-job flow-hop equencng problem. OMEG Internatonal Journal of Management Scence, 11, 1983, tr Tallard E.: Benchmark for bac chedulng problem, European Journal of Operatonal Reearch, 64, 1993, tr Tallard E.: Some effcent heurtc method for flow hop equencng. European Journal of Operatonal Reearch, 47, 1990, tr Nowck E., Smutnck C.: New reult n the wort-cae analy for flow-hop chedulng. Dcrete ppled Mathematc, 46, 1993, tr Nowck E.: Metoda tabu w problemach zeregowana zadań produkcyjnych, Ofcyna Wydawncza Poltechnk Wrocławkej, Wrocław Vaeen R.J.M.: OR lbrary, Internet: Fle flowhop1.txt, flowhop2.txt. 7. Nowck E., Smutnck C.: fat taboo earch algorthm for the permutaton flow-hop problem. European Journal of Operatonal Reearch, 91, 1996, tr Dr hab. nŝ. Eugenuz NOWICKI Mgr nŝ. Maruz MKUCHOWSKI Intytut Cybernetyk Techncznej, Poltechnka Wrocławka Wrocław, ul. Janzewkego 11/17 tel.: (071) e-mal: enowck@ct.pwr.wroc.pl 10
f 4,3 m l 20 m 4 f l x x 2 y x l 2 4 4,3 20 x x ,86 x 0,043 x 2 y x 4 f l 2 x l 2 4 4, x dy dx tg y x ,86 0,086 x
f l Ry. 3. Rozpatrywany łuk parabolczny 4 f l x x 2 y x l 2 f m l 2 m y x 4 2 x x 2 2 2,86 x,43 x 2 tg y x dy 4 f l 2 x l 2 4 2 2 x 2 2,86,86 x Mechanka Budowl Projekty Zgodne ze poobem rozwązywana układów
Bardziej szczegółowoRÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI
RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI Wojcech BOŻEJKO, Marusz UCHROŃSKI, Meczysław WODECKI Streszczene: W pracy rozpatrywany jest ogólny problem kolejnoścowy
Bardziej szczegółowoRozwiązywanie zadań optymalizacji w środowisku programu MATLAB
Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe
Bardziej szczegółowoBADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda
BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp
Bardziej szczegółowoKINEMATYKA MANIPULATORÓW
KIEMK MIULOÓW WOWDEIE. Manpulator obot można podzelć na zęść terująą mehanzną. Część mehanzna nazywana jet manpulatorem. punktu wdzena Mehank ta zęść jet najbardzej ntereująa. Manpulator zaadnzo można
Bardziej szczegółowoDla dzielnej X (dividend) i dzielnika D 0 (divisor) liczby Q oraz R takie, Ŝe
zelene ekwencyjne zelene la dzelnej X (dvdend) dzelnka (dvor) lczby Q oraz R take, Ŝe X=Q R, R < nazywa ę lorazem Q (uotent) reztą R (remander) z dzelena X rzez. Równane dzelena moŝe meć rozwązana ełnające
Bardziej szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,
Bardziej szczegółowoWOJEWÓDZTWA PRZODUJĄCE W REALIZACJI REGIONALNYCH PROGRAMÓW OPERACYJNYCH W POLSCE W DRUGIEJ POŁOWIE 2008 ROKU
X SYMPOZJUM WYDZIAŁU ZARZĄDZANIA I MODELOWANIA KOM- PUTEROWEGO POLITECHNIKA ŚWIĘTOKRZYSKA Kelce 18 19 maja 2009 r. WOJEWÓDZTWA PRZODUJĄCE W REALIZACJI REGIONALNYCH PROGRAMÓW OPERACYJNYCH W POLSCE W DRUGIEJ
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x
Bardziej szczegółowoAnaliza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)
Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz
Bardziej szczegółowoTYPOWE OPERATORY KRZYŻOWANIA OBLICZENIA EWOLUCYJNE FUNKCJE TESTOWE F. RASTRIGINA F. ACKLEYA ... 3. ( x) = x i 30 -30. minimum globalne.
FUNKCJE TESTOWE OBLICENIA EWOLUCJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromoome EVOLUTIONAR OPERATORS AND RECEIVING FITNESS F. wykład
Bardziej szczegółowoModelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja
Modelowane oblczena technczne Metody numeryczne w modelowanu: Optymalzacja Zadane optymalzacj Optymalzacja to ulepszane lub poprawa jakośc danego rozwązana, projektu, opracowana. Celem optymalzacj jest
Bardziej szczegółowoV. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH
Krs na Stdach Doktoranckch Poltechnk Wrocławskej wersja: lty 007 34 V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH. Zbór np. lczb rzeczywstych a, b elementy zbor A a A b A, podzbór B zbor A : B A, sma zborów
Bardziej szczegółowo5. OPTYMALIZACJA GRAFOWO-SIECIOWA
. OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,
Bardziej szczegółowoZapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.
Zaps nformacj, systemy pozycyjne 1 Lteratura Jerzy Grębosz, Symfona C++ standard. Harvey M. Detl, Paul J. Detl, Arkana C++. Programowane. Zaps nformacj w komputerach Wszystke elementy danych przetwarzane
Bardziej szczegółowoBALANSOWANIE OBCIĄŻEŃ JEDNOSTEK SEKCYJNYCH
BALANSWANIE BCIĄŻEŃ JEDNSTEK SEKCYJNYCH Tomaz PRIMKE Strezczenie: Złożony problem konfiguracji wariantów gotowości może zotać rozwiązany poprzez dekompozycję na protze podproblemy. Jednym z takich podproblemów
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowoI. Elementy analizy matematycznej
WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem
Bardziej szczegółowoProjekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Bardziej szczegółowoDiagnostyka układów kombinacyjnych
Dagnostyka układów kombnacyjnych 1. Wprowadzene Dagnostyka obejmuje: stwerdzene stanu układu, systemu lub ogólne sec logcznej. Jest to tzw. kontrola stanu wykrywająca czy dzałane sec ne jest zakłócane
Bardziej szczegółowoMateriały ćwiczeniowe do małego kursu chemii teoretycznej Mechanika klasyczna
Materały ćwczenowe do małego kuru chem teoretycznej Mechanka klayczna Opracowane: Potr Petelenz, Barbara Pac WSTĘP Podtawowe defncje równana Stan mechanczny układu n punktów materalnych (reprezentujących
Bardziej szczegółowo1. Wstępna geometria skrzyżowania (wariant 1a)
. Wtępna geometra rzyżowana (warant a) 2. Strutura erunowa ruchu 3. Warun geometryczne Srzyżowane et zloalzowane w śródmeścu o newelm ruchu pezych. Pochylene podłużne na wlotach nr 3 ne przeracza 0,5%,
Bardziej szczegółowoPraca i energia. x jest. x i W Y K Ł A D 5. 6-1 Praca i energia kinetyczna. Ruch jednowymiarowy pod działaniem stałych sił.
ykład z fzyk. Pot Pomykewcz 40 Y K Ł A D 5 Pa enega. Pa enega odgywają waŝną olę zaówno w fzyce jak w codzennym Ŝycu. fzyce ła wykonuje konketną pacę, jeŝel dzała ona na pzedmot ma kładową wzdłuŝ pzemezczena
Bardziej szczegółowo11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej.
/22/24 Dwuosobowe gry o sume zero DO NAUCZENIA I ZAPAMIĘTANIA: Defnca zaps ger o sume zero, adaptaca ogólnych defnc. Punkt sodłowy Twerdzena o zwązkach punktu sodłowego z koncepcam rozwązań PRZYPOMNIENIE:
Bardziej szczegółowoZestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Bardziej szczegółowoEKSPLORACJA ZASOBÓW INTERNETU - MIŁOSZ KADZIŃSKI LABORATORIUM IV WEB ADVERTISING + LATENT SEMANTIC INDEXING
EPLORACJA ZAOBÓW INERNEU - IŁOZ AZIŃI LABORAORIU IV WEB AVERIING + LAEN EANIC INEXING. Laboratorum IV.. Web advertng algorytm BALANCE oraz podtawy algorytmu Adword.2. Latent emantc Indexng algorytm redukcj
Bardziej szczegółowoWprowadzenie do Sieci Neuronowych Sieci rekurencyjne
Wprowadzene do Sec Neuronowych Sec rekurencyjne M. Czoków, J. Persa 2010-12-07 1 Powtórzene Konstrukcja autoasocjatora Hopfelda 1.1 Konstrukcja Danych jest m obrazów wzorcowych ξ 1..ξ m, gdze każdy pojedynczy
Bardziej szczegółowoOkreślanie mocy cylindra C w zaleŝności od ostrości wzroku V 0 Ostrość wzroku V 0 7/5 6/5 5/5 4/5 3/5 2/5 Moc cylindra C 0,5 0,75 1,0 1,25 1,5 > 2
T A R C Z A Z E G A R O W A ASTYGMATYZM 1.Pojęca ogólne a) astygmatyzm prosty (najbardzej zgodny z pozomem) - najbardzej płask połudnk tzn. o najmnejszej mocy jest pozomy b) astygmatyzm odwrotny (najbardzej
Bardziej szczegółowoMetody gradientowe poszukiwania ekstremum. , U Ŝądana wartość napięcia,
Metody gradentowe... Metody gradentowe poszukwana ekstremum Korzystają z nformacj o wartośc funkcj oraz jej gradentu. Wykazując ch zbeŝność zakłada sę, Ŝe funkcja celu jest ogranczona od dołu funkcją wypukłą
Bardziej szczegółowo3 BADANIE WYDAJNOŚCI SPRĘŻARKI TŁOKOWEJ. 1. Wprowadzenie
3 BADANIE WYDAJNOŚCI SPRĘŻARKI TŁOKOWEJ. Wprowadzene Sprężarka jet podtawowym przykładem otwartego układu termodynamcznego. Jej zadanem jet medzy nnym podwyżzene cśnena gazu w celu: uzykane czynnka napędowego
Bardziej szczegółowoKONKURS NA NAJLEPSZEGO ANALITYKA/ZESPÓŁ ANALITYCZNY
KONKURS NA NAJLEPSZEGO ANALTYKA/ZESPÓŁ ANALTYCZNY Celem konkuru jet wyłonene najlepzego zepołu analtyków profejonalne zajmującego ę prognozowanem wkaźnków (zmennych) makroekonomcznych dla gopodark polkej.
Bardziej szczegółowoDzielenie. Dzielenie pozycyjne
zelene ozycyjne zelene dzelene całkowte: dzelna (dvdend), dzelnk 0 (dvor) Iloraz (uotent) rezta R (remander) z dzelena to lczby take, e R, R rozw zana (,R ) oraz (,R ) take, e R, rzy tym R R, R, R oraz
Bardziej szczegółowoZadanie 2. Dany jest szereg rozdzielczy przedziałowy, wyznaczyć następujące miary: 0 5 5 wariancja, odchylenie standardowe
Zadane 1. Dany jet zereg przedzałowy, wyznaczyć natępujące mary: x n średna arytmetyczna 1 10 warancja, odchylene tandardowe 15 domnanta 3 0 medana 4 35 kurtoza 5 0 6 15 Zadane. Dany jet zereg rozdzelczy
Bardziej szczegółowoWykład IX Optymalizacja i minimalizacja funkcji
Wykład IX Optymalzacja mnmalzacja funkcj Postawene zadana podstawowe dee jego rozwązana Proste metody mnmalzacj Metody teracj z wykorzystanem perwszej pochodnej Metody teracj z wykorzystanem drugej pochodnej
Bardziej szczegółowoXXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne
XXX OLIMPIADA FIZYCZNA ETAP III Zadane dośwadczalne ZADANIE D Nazwa zadana: Maszyna analogowa. Dane są:. doda półprzewodnkowa (krzemowa) 2. opornk dekadowy (- 5 Ω ), 3. woltomerz cyfrowy, 4. źródło napęca
Bardziej szczegółowoPrzykład 4.1. Belka dwukrotnie statycznie niewyznaczalna o stałej sztywności zginania
Przykład.. Beka dwukrotne statyczne newyznaczana o stałej sztywnośc zgnana Poecene: korzystając z metody sł sporządzć wykresy sł przekrojowych da ponŝszej bek. Wyznaczyć ugęce oraz wzgędną zmanę kąta w
Bardziej szczegółowoOptymalizacja belki wspornikowej
Leszek MIKULSKI Katedra Podstaw Mechank Ośrodków Cągłych, Instytut Mechank Budowl, Poltechnka Krakowska e mal: ps@pk.edu.pl Optymalzacja belk wspornkowej 1. Wprowadzene RozwaŜamy zadane optymalnego kształtowana
Bardziej szczegółowoĆwiczenie 10. Metody eksploracji danych
Ćwczene 10. Metody eksploracj danych Grupowane (Clusterng) 1. Zadane grupowana Grupowane (ang. clusterng) oznacza grupowane rekordów, obserwacj lub przypadków w klasy podobnych obektów. Grupa (ang. cluster)
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej
Bardziej szczegółowoTRANZYSTOR BIPOLARNY CHARAKTERYSTYKI STATYCZNE
POLITHNIKA RZSZOWSKA Katedra Podstaw lektronk Instrkcja Nr4 F 00/003 sem. letn TRANZYSTOR IPOLARNY HARAKTRYSTYKI STATYZN elem ćwczena jest pomar charakterystyk statycznych tranzystora bpolarnego npn lb
Bardziej szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
Bardziej szczegółowoMETODY HODOWLANE - zagadnienia
METODY HODOWLANE METODY HODOWLANE - zagadnena 1. Matematyczne podtawy metod odowlanyc. Wartość cecy loścowej defncje parametrów genetycznyc 3. Metody zacowana parametrów genetycznyc 4. Wartość odowlana
Bardziej szczegółowo1. OKREŚLENIE PARAMETRÓW GEOTECHNICZNYCH
Projekt z fundamentowana: MUR OPOROWY (tuda mgr) POSADOWIENIE NA PALACH WG PN-83/B-02482. OKREŚLENIE PARAMETRÓW GEOTECHNICZNYCH grunt G π P d T/Nm P / P r grunt zayp. Tabl.II.. Zetawene parametrów geotechncznych.
Bardziej szczegółowoMinimalizacja globalna. Algorytmy genetyczne i ewolucyjne.
Mnmalzacja globalna Algorytmy genetyczne ewolucyjne. Lnearyzacja nelnowego operatora g prowadz do przyblżonych metod rozwązywana zagadnena odwrotnego. Wynk takej nwersj jest slne uzależnony od wyboru modelu
Bardziej szczegółowo5. Regulacja częstotliwościowa prędkości obrotowej silnika indukcyjnego klatkowego
5. egulacja czętotlwoścowa pędkośc obotowej lnka ndukcyjnego klatkowego 5.1 Zaada egulacj czętotlwoścowej - waunk optymalzacj tatycznej; 5. egulacja kalana pędkośc obotowej ( U/f); 5.3 egulacja wektoowa
Bardziej szczegółowoWikiWS For Business Sharks
WkWS For Busness Sharks Ops zadana konkursowego Zadane Opracowane algorytmu automatyczne przetwarzającego zdjęce odręczne narysowanego dagramu na tablcy lub kartce do postac wektorowej zapsanej w formace
Bardziej szczegółowoGramatyki, wyprowadzenia, hierarchia Chomsky ego. Gramatyka
Gramatyki, wyprowadzenia, hierarchia Chomsky ego Teoria automatów i języków formalnych Dr inŝ. Janusz Majewski Katedra Informatyki Gramatyka Gramatyką G nazywamy czwórkę uporządkowaną gdzie: G =
Bardziej szczegółowoLaboratorium ochrony danych
Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz
Bardziej szczegółowoPortfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego
Portel nwestycyjny ćwczena Na podst. Wtold Jurek: Konstrukcja analza rozdzał 5 dr chał Konopczyńsk Portele zawerające walor pozbawony ryzyka. lementy teor rynku kaptałowego 1. Pożyczane penędzy amy dwa
Bardziej szczegółowoNieliniowe zadanie optymalizacji bez ograniczeń numeryczne metody iteracyjne optymalizacji
Nelnowe zadane optymalzacj bez ogranczeń numeryczne metody teracyjne optymalzacj mn R n f ( ) = f Algorytmy poszuwana mnmum loalnego zadana programowana nelnowego: Bez ogranczeń Z ogranczenam Algorytmy
Bardziej szczegółowoPlan wykładu: Typowe dane. Jednoczynnikowa Analiza wariancji. Zasada: porównać zmienność pomiędzy i wewnątrz grup
Jednoczynnkowa Analza Waranc (ANOVA) Wykład 11 Przypomnene: wykłady zadana kursu były zaczerpnęte z podręcznków: Statystyka dla studentów kerunków techncznych przyrodnczych, J. Koronack, J. Melnczuk, WNT
Bardziej szczegółowoWYZNACZANIE WSPÓŁCZYNNIKA LEPKOŚCI CIECZY METODĄ STOKESA
WYZNACZANIE WSPÓŁCZYNNIKA LEPKOŚCI CIECZY METODĄ STOKESA. Ops teoretyczny do ćwczena zameszczony jest na strone www.wtc.wat.edu.pl w dzale DYDAKTYKA FIZYKA ĆWICZENIA LABORATORYJNE.. Ops układu pomarowego
Bardziej szczegółowoProces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
Bardziej szczegółowoProgramowanie wielokryterialne
Prgramwane welkryteralne. Pdstawwe defncje znaczena. Matematyczny mdel sytuacj decyzyjnej Załóżmy, że decydent dknując wybru decyzj dpuszczalnej x = [ x,..., xn ] D keruje sę szeregem kryterów f,..., f.
Bardziej szczegółowo4. OPTYMALIZACJA WIELOKRYTERIALNA
Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna 4. OPTYMLIZCJ WIELORYTERIL Decyzje nwestycyjne mają często charakter złożony. Zdarza sę, że przy wyborze
Bardziej szczegółowoWyszukiwanie. Wyszukiwanie
ZŁOŻOOŚĆ PROBLEMÓW ALGORYTMICZYCH Dolne górne oszacowana złożonośc problemu Złożoność każdego poprawnego algorytmu znajdującego rozwązane danego problemu ustanawa górne oszacowane złożonośc dla tego problemu.
Bardziej szczegółowo5. CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE
5. CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE Oprócz transmtancj operatorowej, do opsu członów układów automatyk stosuje sę tzw. transmtancję wdmową. Transmtancję wdmową G(j wyznaczyć moŝna dzęk podstawenu do wzoru
Bardziej szczegółowoEkonometryczne modele nieliniowe
Ekonomeryczne modele nelnowe Wykład 5 Progowe modele regrej Leraura Hanen B. E. 997 Inference n TAR Model, Sude n Nonlnear Dynamc and Economerc,. Tek na rone nerneowej wykładu Dodakowa leraura Hanen B.
Bardziej szczegółowoOligopol dynamiczny. Rozpatrzmy model sekwencyjnej konkurencji ilościowej jako gra jednokrotna z pełną i doskonalej informacją
Olgopol dynamczny Rozpatrzmy model sekwencyjnej konkurencj loścowej jako gra jednokrotna z pełną doskonalej nformacją (1934) Dwa okresy: t=0, 1 tzn. frma 2 podejmując decyzję zna decyzję frmy 1 Q=q 1 +q
Bardziej szczegółowoAnaliza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A
Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe
Bardziej szczegółowoOdtworzenie wywodu metodą wstępującą (bottom up)
Przeglądane wejśca od lewej strony do prawej L (k) Odtwarzane wywodu prawostronnego Wystarcza znajomosc "k" następnych symbol łańcucha wejścowego hstor dotychczasowych redukcj, aby wyznaczyc jednoznaczne
Bardziej szczegółowoMinimalizacja globalna, algorytmy genetyczne i zastosowanie w geotechnice
Mnmalzacja globalna, algorytmy genetyczne zastosowane w geotechnce Metoda sejsmczna Metoda geoelektryczna Podstawowy podzał ZAGADNIENIE PROSTE (ang. forward problem) model + parametry modelu dane (ośrodek,
Bardziej szczegółowoMATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5
MATEMATYKA POZIOM ROZSZERZONY Krytera ocenana odpowedz Arkusz A II Strona 1 z 5 Odpowedz Pytane 1 2 3 4 5 6 7 8 9 Odpowedź D C C A B 153 135 232 333 Zad. 10. (0-3) Dana jest funkcja postac. Korzystając
Bardziej szczegółowo) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Bardziej szczegółowoKomputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2007/08 Podstawowe fakty Równane Ax = b, x, b R N, A R N N (1) ma jednoznaczne
Bardziej szczegółowo2012-10-11. Definicje ogólne
0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj
Bardziej szczegółowo8. Optymalizacja decyzji inwestycyjnych
dr nż. Zbgnew Tarapata: Optymalzacja decyzj nwestycyjnych, cz.ii 8. Optymalzacja decyzj nwestycyjnych W rozdzale 8, część I przedstawono elementarne nformacje dotyczące metod oceny decyzj nwestycyjnych.
Bardziej szczegółowoProgramowanie Równoległe i Rozproszone
Programowane Równoległe Rozproszone Wykład Programowane Równoległe Rozproszone Lucjan Stapp Wydzał Matematyk Nauk Informacyjnych Poltechnka Warszawska (l.stapp@mn.pw.edu.pl) /38 PRR Wykład Chcemy rozwązać
Bardziej szczegółowoliniowym w przeciwnym przypadku mówimy o programowaniu nieliniowym.
=DGDQLHSROHJDMFHQDSRV]XNLZDQLXPDNV\PDOQHMOXEPLQLPDOQHMZDUWRFLIXQNFMLZLHOX ]PLHQQ\FKSU]\MHGQRF]HVQ\PVSHáQLHQLXSHZQHMLORFLQDáR*RQ\FKZDUXQNyZ UyZQDOXE QLHUyZQRFLQRVLQD]Z]DGDQLDRSW\PDOL]DF\MQHJROXE]DGDQLDSURJUDPRZDQLD
Bardziej szczegółowoWspółczynnik przenikania ciepła U v. 4.00
Współczynnk przenkana cepła U v. 4.00 1 WYMAGANIA Maksymalne wartośc współczynnków przenkana cepła U dla ścan, stropów, stropodachów, oken drzw balkonowych podano w załącznku do Rozporządzena Mnstra Infrastruktury
Bardziej szczegółowoZjawiska masowe takie, które mogą wystąpid nieograniczoną ilośd razy. Wyrazów Obcych)
Statystyka - nauka zajmująca sę metodam badana przedmotów zjawsk w ch masowych przejawach ch loścową lub jakoścową analzą z punktu wdzena nauk, do której zakresu należą.
Bardziej szczegółowoPolitechnika Poznańska Wydział Budowy Maszyn i Zarządzania
Poltechnka Poznańka Wydzał Budowy Mazyn Zarządzana Rozprawa doktorka Mgr nż. Jacek DIAKN Identyfkacja tanu utalonego model ymulacyjnych ytemów produkcyjnych Promotor: Prof. dr hab. nż Zenoba WEISS POZNAŃ
Bardziej szczegółowoModel IS-LM-BP. Model IS-LM-BP jest wersją modelu ISLM w gospodarce otwartej. Pokazuje on zatem jak
Ćwczena z Makroekonom II Model IS-LM- Model IS-LM- jest wersją modelu ISLM w gospodarce otwartej. Pokazuje on zatem jak gospodarka taka zachowuje sę w krótkm okrese, w efekce dzałań podejmowanych w ramach
Bardziej szczegółowoI..ROZWIĄZANIE DANEGO RUSZTU BELKOWEGO OD DANEGO OBCIĄŻENIA
TO SIŁ układ przetrzenny przykład ruzt belkowy OZWIĄZNI USZTU LKOWO TOĄ SIŁ I OLIZNI PZISZZNI any jet ruzt belkowy jak na ryunku obok ozwązać go etodą ł porządzć wykrey ł przekrojowych dokonać kontrol
Bardziej szczegółowoPRÓBA ANALIZY AUKCJI Z RÓśNYMI ROZKŁADAMI WYCEN WSTĘP
Agnezka Lewczuk Intytut Ekono Zarządzana Pańtwowa WyŜza Szkoła Zawodowa. PapeŜa Jana Pawła II w Bałej Podlakej e-al: lewczukaga@wp.pl PRÓBA ANALIZY AUKCJI Z RÓśNYMI ROZKŁADAMI WYCEN Strezczene: Do końca
Bardziej szczegółowo65120/ / / /200
. W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę
Bardziej szczegółowoZmodyfikowana technika programowania dynamicznego
Zmodyfkowana technka programowana dynamcznego Lech Madeysk 1, Zygmunt Mazur 2 Poltechnka Wrocławska, Wydzał Informatyk Zarządzana, Wydzałowy Zakład Informatyk Wybrzeże Wyspańskego 27, 50-370 Wrocław Streszczene.
Bardziej szczegółowoFunkcje i charakterystyki zmiennych losowych
Funkcje charakterystyk zmennych losowych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Funkcje zmennych losowych
Bardziej szczegółowoZastosowanie technik sztucznej inteligencji w analizie odwrotnej
Zastosowane technk sztucznej ntelgencj w analze odwrotnej Ł. Sztangret, D. Szelga, J. Kusak, M. Petrzyk Katedra Informatyk Stosowanej Modelowana Akadema Górnczo-Hutncza, Kraków Motywacja Dokładność symulacj
Bardziej szczegółowoWYWAŻANIE STATYCZNE WIRUJĄCYCH ZESTAWÓW RADIOLOKACYJNYCH
Szybkobeżne Pojazdy Gąsencowe (15) nr 1, 2002 Andrzej SZAFRANIEC WYWAŻANIE STATYCZNE WIRUJĄCYCH ZESTAWÓW RADIOLOKACYJNYCH Streszczene. Przedstawono metodę wyważana statycznego wolnoobrotowych wrnków ponowych
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowoORGANIZACJA ZAJĘĆ OPTYMALIZACJA GLOBALNA WSTĘP PLAN WYKŁADU. Wykładowca dr inż. Agnieszka Bołtuć, pokój 304, e-mail: aboltuc@ii.uwb.edu.
ORGANIZACJA ZAJĘĆ Wykładowca dr nż. Agneszka Bołtuć, pokój 304, e-mal: aboltuc@.uwb.edu.pl Lczba godzn forma zajęć: 15 godzn wykładu oraz 15 godzn laboratorum 15 godzn projektu Konsultacje: ponedzałk 9:30-11:00,
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowo5. Maszyna Turinga. q 1 Q. Konfiguracja: (q,α β) q stan αβ niepusta część taśmy wskazanie położenia głowicy
5. Maszyna Turnga = T Q skończony zór stanów q 0 stan początkowy F zór stanów końcowych Γ skończony zór symol taśmy T Γ alfaet wejścowy T Γ symol pusty (lank) δ: Q Γ! 2 Q Γ {L,R} funkcja
Bardziej szczegółowoPomiar mocy i energii
Zakład Napędów Weloźródłowych Instytut Maszyn Roboczych CęŜkch PW Laboratorum Elektrotechnk Elektronk Ćwczene P3 - protokół Pomar mocy energ Data wykonana ćwczena... Zespół wykonujący ćwczene: Nazwsko
Bardziej szczegółowoNieparametryczne Testy Istotności
Neparametryczne Testy Istotnośc Wzory Neparametryczne testy stotnośc schemat postępowana punkt po punkce Formułujemy hpotezę główną odnoszącą sę do: zgodnośc populacj generalnej z jakmś rozkładem, lub:
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 1 Statystyka opsowa ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 W statystyce opsowej mamy pełne nformacje
Bardziej szczegółowoZadanie 1. Udowodnij, że CAUS PRAM. Załóżmy przetwarzanie przyczynowo spójne. Dla każdego obrazu historii hv i zachodzi zatem:
Zadane 1 Udowodnj, że CAUS PRAM Załóżmy przetwarzane przyczynowo spójne. Dla każdego obrazu hstor hv zachodz zatem: O OW O OW x X p j o O o1 o2 o1 o2 o1 j o2 ( o1 = w( x) v o2 = r( x) v) o1 o2 ( o1 o o2)
Bardziej szczegółowoKRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA
KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA Krzysztof Serżęga Wyższa Szkoła Informatyk Zarządzana w Rzeszowe Streszczene Artykuł porusza temat zwązany
Bardziej szczegółowoLABORATORIUM PRZYRZĄDÓW I UKŁADÓW MOCY. Ćwiczenie 3 B. Stany dynamiczne Przetwornica impulsowa
90-924 Łódź, ul. Wólczańka 221/223, bud. B18 tel. (0)42 631 26 28 fak (0)42 636 03 27 e-mal ecretary@dmc.p.lodz.pl http://www.dmc.p.lodz.pl ABORATORIM PRZYRZĄDÓW I KŁADÓW MOCY Ćwczene 3 B Stany dynamczne
Bardziej szczegółowoKomórkowy model sterowania ruchem pojazdów w sieci ulic.
Komórkowy model sterowana ruchem pojazdów w sec ulc. Autor: Macej Krysztofak Promotor: dr n ż. Marusz Kaczmarek 1 Plan prezentacj: 1. Wprowadzene 2. Cel pracy 3. Podsumowane 2 Wprowadzene Sygnalzacja śwetlna
Bardziej szczegółowoBADANIE DRGAŃ WŁASNYCH NAPĘDU ROBOTA KUCHENNEGO Z SILNIKIEM SRM
Zeszyty Problemowe Maszyny Elektryczne Nr 88/2010 13 Potr Bogusz Marusz Korkosz Jan Prokop POLITECHNIKA RZESZOWSKA Wydzał Elektrotechnk Informatyk BADANIE DRGAŃ WŁASNYCH NAPĘDU ROBOTA KUCHENNEGO Z SILNIKIEM
Bardziej szczegółowoDobór zmiennych objaśniających
Dobór zmennych objaśnających Metoda grafowa: Należy tak rozpąć graf na werzchołkach opsujących poszczególne zmenne, aby występowały w nm wyłączne łuk symbolzujące stotne korelacje pomędzy zmennym opsującym.
Bardziej szczegółowoObliczanie średniej, odchylenia standardowego i mediany oraz kwartyli w szeregu szczegółowym i rozdzielczym?
Oblczae średej, odchylea tadardowego meday oraz kwartyl w zeregu zczegółowym rozdzelczym? Średa medaa ależą do etymatorów tzw. tedecj cetralej, atomat odchylee tadardowe to etymatorów rozprozea (dyperj)
Bardziej szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoWstęp do metod numerycznych Faktoryzacja SVD Metody iteracyjne. P. F. Góra
Wstęp do metod numerycznych Faktoryzacja SVD Metody teracyjne P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ 2013 Sngular Value Decomposton Twerdzene 1. Dla każdej macerzy A R M N, M N, stneje rozkład
Bardziej szczegółowoProste modele ze złożonym zachowaniem czyli o chaosie
Proste modele ze złożonym zachowanem czyl o chaose 29 kwetna 2014 Komputer jest narzędzem coraz częścej stosowanym przez naukowców do ukazywana skrzętne ukrywanych przez naturę tajemnc. Symulacja, obok
Bardziej szczegółowoNeuron liniowy. Najprostsza sieć warstwa elementów liniowych
Najprostsza jest jednostka lnowa: Neuron lnowy potraf ona rozpoznawać wektor wejścowy X = (x 1, x 2,..., x n ) T zapamętany we współczynnkach wagowych W = (w 1, w 2,..., w n ), Zauważmy, że y = W X Załóżmy,
Bardziej szczegółowoZa: Stanisław Latoś, Niwelacja trygonometryczna, [w:] Ćwiczenia z geodezji II [red.] J. Beluch
Za: Stansław Latoś, Nwelacja trygonometryczna, [w:] Ćwczena z geodezj II [red.] J. eluch 6.1. Ogólne zasady nwelacj trygonometrycznej. Wprowadzene Nwelacja trygonometryczna, zwana równeż trygonometrycznym
Bardziej szczegółowoD Archiwum Prac Dyplomowych - Instrukcja dla studentów
Kraków 01.10.2015 D Archwum Prac Dyplomowych - Instrukcja dla studentów Procedura Archwzacj Prac Dyplomowych jest realzowana zgodne z zarządzenem nr 71/2015 Rektora Unwersytetu Rolnczego m. H. Kołłątaja
Bardziej szczegółowo