Ewolucyjna optymalizacja wielokryterialna
|
|
- Eleonora Zych
- 5 lat temu
- Przeglądów:
Transkrypt
1 Algorytmy genetyczne (seminarium) SURZDG]F\ GULQ*+DOLQD.ZDQLFND termin: URGD data: autor: 0DUFLQ:FLXELDN nr ind informatyka, semestr 6. Ewolucyjna optymalizacja wielokryterialna
2 3RGVWDZRZHSRMFLD Z problemem optymalizacji wielokryterialnej mamy do czynienia wówczas, JG\Z]DGDQLXGHF\]\MQ\PWU]HEDMHGQRF]HQLHXZ]JOGQLüNLONDIXQNFMLFHOX 0R*OLZH UR]ZL]DQLD ]DGDQLD RSW\PDOL]DFML NODV\ILNXMH VL MDNR UR]ZL]DQLD zdominowane i niezdominowane (paretooptymalne). Dla zadania maksymalizacji zestawu k funkcji celu f(x) = (f 1 (x), f 2 (x),... f k (x)) UR]ZL]DQLHx jest zdominowane,mhollvwqlhmhgrsxv]f]doqhur]zl]dqlhy nie gorsze od xw]qgodnd*ghmixqnfmlfhoxf i f i (x) I i (y) (i=1,... k) w przeciwnym wypadku: x±ur]zl]dqlhniezdominowane (paretooptymalne). Dla zadania minimalizacji zestawu k funkcji celu f(x) = (f 1 (x), f 2 (x),... f k (x)) UR]ZL]DQLHx jest zdominowane,mhollvwqlhmhgrsxv]f]doqhur]zl]dqlhy nie gorsze od xw]qgodnd*ghmixqnfmlfhoxi i f i (y) I i (x) (i=1,... k) w przeciwnym wypadku: x±ur]zl]dqlhniezdominowane (paretooptymalne). 5\V5R]ZL]DQLD]GRPLQRZDQHLniezdominowane dla zadania minimalizacji. 2
3 2. Wybrane metody 3RGHMFLDWUDG\F\MQH 0HWRGDZD*RQ\FKFHOyZWeighting Method) 0HWRGDRJUDQLF]HConstraint Method) Algorytmy ewolucyjne: VEGA: Vector Evaluated Genetic Algorithm (Schaffer 1985). HLGA: Hajela's and Lin's Weighting-based Genetic Algorithm (1992). FFGA: Fonseca's and Fleming's Multiobjective Genetic Algorithm (1993). NPGA: The Niched Pareto Genetic Algorithm (Horn, Nafpliotis, Goldberg 1994). NSGA: The Nondominated Sorting Genetic Algorithm (Srinivas, Deb 1994). SPEA: The Strength Pareto Evolutionary Algorithm (Zitzler, Thiele 1999). : QLQLHMV]\P RSUDFRZDQLX XPLHV]F]RQR NUyWNL RSLV PHWRG\ ZD*RQ\FK FHOyZ RUD] DOJRU\WPyZ 9(*$ L 63($ 'RNáDGQH RSLV\ ZV]\VWNLFK Z\PLHQLRQ\FK PHWRGLDOJRU\WPyZPR*QD]QDOH(üZ>@ 3
4 0HWRGDZD*RQ\FKFHOyZ 0HWRGD ZD*RQ\FK FHOyZ SROHJD QD VSURZDG]HQLX ]DGDQLD ZLHORZ\PLDURZHJR GR]DGDQLDMHGQRZ\PLDURZHJRW]QSRáF]HQLXSRV]F]HJyOQ\FKIXQNFMLFHOXf i w MHGQIXQNFMFHOXF: gdzie: k x w i LORüIXQNFMLFHOX ZHNWRUUR]ZL]D ZDJLWDNLH*H F( x) = k i= 1 w f ( x) w i [0, 1] oraz i i k w i i= 1 = 1 Uy*QHZHNWRU\ZDJGDMUy*QHUR]ZL]DQLDparetooptymalne) 8]\VNDQZWHQVSRVyEIXQNFMFRSW\PDOL]XMHVLSU]\X*\FLXVWDQGDUGRZ\FK PHWRGRSW\PDOL]DFML]MHGQIXQNFMFHOX3RGVWDZRZZDGRPDZLDQHMPHWRG\ MHVW SUREOHP Z GRERU]H RGSRZLHGQLFK ZDUWRFL ZDJ GOD SRV]F]HJyOQ\FK NU\WHULyZFRZSá\ZDXMHPQLHQDMDNRüX]\VNDQ\FKUR]ZL]D 4
5 4. Vector Evaluated Genetic Algorithm 3RP\Vá]DVWRVRZDQ\ZDOJRU\WPLH9(*$ SROHJD QDSRG]LDOHSRSXODFML QD k podpopulacji o jednakowych OLF]HEQRFLDFKk±LORüFHOyZ6HOHNFMDZHZQWU] ND*GHM SRGSRSXODFML MHVW SU]HSURZDG]DQD QLH]DOH*QLH ND*GD podpopulacja RGSRZLDGD]DLQQHNU\WHULXPDOHNRMDU]HQLHLNU]\*RZDQLHSU]HNUDF]DJUDQLFH SRGSRSXODFMLREHMPXMHFDáSRSXODFM 5\V3RG]LDáSRSXODFMLQDpodpopulacje dla dwóch kryteriów. 3RGVWDZRZ]DOHWDOJRU\WPXMHVWáDWZRüZLPSOHPHQWDFML=DVDGQLF]ZDG MHVWWHQGHQFMDGRSRPLMDQLDUR]ZL]DSRUHGQLFKGREU\FK]HZ]JOGXQDND*GH NU\WHULXPDOHQLHQDMOHSV]\FK]HZ]JOGXQD*DGQH]QLFK]RVREQD 5
6 8*\WHR]QDF]HQLD t numer pokolenia P t populacja w t-tym pokoleniu P populacja tymczasowa (mating pool) k LORüNU\WHULyZ Algorytm VEGA 3DUDPHWU\ZHMFLRZH Wynik: N rozmiar populacji T ±PDNV\PDOQDLORüSRNROH p c ±SUDZGRSRGRELHVWZRNU]\*RZDQLD p m ±SUDZGRSRGRELHVWZRPXWDFML A ±]ELyUUR]ZL]Dniezdominowanych Krok 1: Inicjalizacja Z\JHQHURZDQLHSRSXODFMLSRF]WNRZHMP 0 ) Niech P 0 = oraz t=0. Dla i=1,..., N wykonaj a) Wylosuj osobnika i. b) Dodaj osobnika i do zbioru P 0. Krok 2: Krok 3: Krok 4: Krok 5: Wyznaczenie dopasowania i selekcja: P t =. Dla i=1,..., k wykonaj a) 'OD ND*GHJR RVREQLND L P t oblicz jego dopasowanie w oparciu o IXQNFMFHOXf i. b) Dla j=1,..., N/k wybierz osobnika i z P t i dodaj go do P. Rekombinacja: Niech P =. Dla i=1,..., N/2 wykonaj a) Wybierz dwa osobniki i, j P LXVXMH]P. b) 6NU]\*XMRVREQLNLi i j; wynik: osobniki k i l. c) Dodaj k, l do P ] SUDZGRSRGRELHVWZHP p c (w przeciwnym wypadku do P dodaj osobniki i, j). Mutacja: Niech P = 'ODND*GHJRRVREQLNDi P wykonaj a) Zmutuj osobnika i]sudzgrsrgrelhvwzhpp m. Wynik: osobnik j. b) Dodaj osobnika j do zbioru P. =DNRF]HQLH Niech P t+1 = P i t=t -HOL t TWR]DNRF] Z\QLN A =UR]ZL]DQLD niezdominowane z populacji P t ), w przeciwnym wypadku powrót do kroku 2. 6
7 5. Strength Pareto Evolutionary Algorithm &HFKFKDUDNWHU\VW\F]QDOJRU\WPX63($MHVWIDNW*HRVREQLNLUHSUH]HQWXMFH UR]ZL]DQLD QLH]GRPLQRZDQH ZUyG GRW\FKF]DV UR]ZD*RQ\FK UR]ZL]D V SU]HFKRZ\ZDQH Z RGG]LHOQ\P ]ELRU]H W]Z ]ELyU ]HZQWU]Q\ 3RQDGWR ZDUWRüSU]\VWRVRZDQLDRVREQLNDQDOH*FHJRGRSRSXODFML]DOH*\Z\áF]QLHRG WHJRZMDNLPVWRSQLXMHVW]GRPLQRZDQ\SU]H]RVREQLNL]H]ELRUX]HZQWU]QHJR WR F]\ RVREQLNL ] SRSXODFML V SU]H] VLHELH ]GRPLQRZDQH MHVW QLHLVWRWQH :V]\VWNLH RVREQLNL ]H ]ELRUX ]HZQWU]QHJR ELRUXG]LDá Z VHOHNFML /LF]QRü ]ELRUX ]HZQWU]QHJR MHVW UHGXNRZDQD GR Z\PDJDQHM SRSU]H] clustering, bez utraty informacji o przebiegu frontu paretooptymalnego. 5\V6FKHPDW\F]Q\SU]HELHJG]LDáDQLDDOJRU\WPX63($ 1LHZWSOLZ]DOHWDOJRU\WPX63($MHVWWR*HZSU]HFLZLHVWZLHGRDOJRU\WPX 9(*$ DOJRU\WP QLH SRPLMD UR]ZL]D SRUHGQLFK GREU]H RGGDMF SU]HELHJ frontu SDUHWRRSW\PDOQHJR=DVDGQLF]ZDGMHVWGX*D]áR*RQRü REOLF]HQLRZD DOJRU\WPXV]F]HJyOQLHF]DVRFKáRQQDMHVWSURFHGXUDZ\]QDF]HQLDGRSDVRZDQLD RVREQLND±NRQLHF]Q\MHVWSU]HJOG]XSHáQ\]ELRUX]HZQWU]QHJR 7
8 8*\WHR]QDF]HQLD t numer pokolenia P t populacja w t-tym pokoleniu P ]ELyU]HZQWU]Q\external set) t P W\PF]DVRZ\]ELyU]HZQWU]Q\ P populacja tymczasowa (mating pool) Algorytm SPEA 3DUDPHWU\ZHMFLRZH Wynik: N rozmiar populacji N ±PDNV\PDOQ\UR]PLDU]ELRUX]HZQWU]QHJR T ±PDNV\PDOQDLORüSRNROH p c ±SUDZGRSRGRELHVWZRNU]\*RZDQLD p m ±SUDZGRSRGRELHVWZRPXWDFML A zbiór UR]ZL]Dniezdominowanych Krok 1: Inicjalizacja: :\JHQHUXM SRSXODFM SRF]WNRZ P 0 (patrz krok 1 DOJRU\WPX9(*$RUD]SXVW\]ELyU]HZQWU]Q\ P 0 =. Niech t=0. Krok 2: 8]XSHáQLHQLH]ELRUX]HZQWU]QHJR Niech P = P t. a) Skopiuj do P osobniki z populacji P t, niezdominowane przez inne osobniki z populacji P t. b) 8VX] P osobniki zdominowane przez inne osobniki z P. c) =UHGXNXMOLF]QRü]ELRUX P do N przez clustering; wynik: P t+ 1. Krok 3: Wyznaczenie dopasowania: 2EOLF] ZDUWRü GRSDVRZDQLD F osobników w P t i Pt SU]\X*\FLXDOJRU\WPXRSLVDQHJRGDOHM Krok 4: Krok 5: Krok 6: Krok 7: Selekcja: Niech P =. Dla i=1,..., k wykonaj a) Wybierz losowo dwa osobniki i, j P t + P t. b) -HOLF(i)<F(j) to P = P +{i}, w przeciwnym wypadku P = P +{j} ZDUWRüSU]\VWRVRZDQLDMHVWWXPLQLPDOL]RZDQD Rekombinacja: patrz krok 3 algorytmu VEGA (wynik: P ). Mutacja: patrz krok 4 algorytmu VEGA (wynik: P ). =DNRF]HQLH Niech P t+1 = P i t=t -HOL t TWR]DNRF] Z\QLN A =UR]ZL]DQLD niezdominowane z populacji P t ), w przeciwnym wypadku powrót do kroku 2. 8
9 Wyznaczenie dopasowania w algorytmie SPEA.D*GHPXRVREQLNRZLi P t QDOH*FHPXGR]ELRUX]HZQWU]QHJRSU]\SLVXMHVL ZDUWRüU]HF]\ZLVW6i) >]ZDQVLá6LáDRVREQLNDi jest proporcjonalna do liczby osobników j P t QDOH*F\FK GR SRSXODFML UHSUH]HQWXMF\FK UR]ZL]DQLD]GRPLQRZDQHSU]H]UR]ZL]DQLHUHSUH]HQWRZDQHSU]H]RVREQLNDi: n S( i) = N + 1 gdzie: S(i) VLáDRVREQLNDi n liczba osobników w populacji zdominowanych przez osobnika i N OLF]QRüSRSXODFML :DUWRüSU]\VWRVRZDQLDRVREQLNDLMHVWUyZQDMHJRVLOH F(i) = S(i) Przystosowanie osobnika j P t QDOH*F\FK GR SRSXODFML REOLF]D VL MDNR SRZLNV]RQRVXPVLá ZV]\VWNLFKRVREQLNyZ i P t QDOH*F\FK do zbioru ]HZQWU]QHJR UHSUH]HQWXMF\FK UR]ZL]DQLD GRPLQXMFH QDG UR]ZL]DQLHP reprezentowanym przez osobnika j 'RGDQLH PD QD FHOX ]DSHZQLHQLH *H RVREQLNL QDOH*FH GR ]ELRUX ]HZQWU]QHJR Pt EG PLDá\ OHSV] ZDUWRü przystosowania od osobników z populacji P t. 5\V3U]\NáDGRZHZDUWRFLSU]\VWRVRZDQLDGODzadania maksymalizacji. 9
10 5HGXNFMD]ELRUX]HZQWU]QHJRSU]H]clustering : SU]\SDGNX JG\ UR]PLDU ]ELRUX ]HZQWU]QHJR Pt SU]HNUDF]D GRSXV]F]DOQ ZDUWRü N NRQLHF]QH MHVW MHJR ]UHGXNRZDQLH $E\ QLH VWUDFLü LQIRUPDFML R przebiegu frontu SDUHWRRSW\PDOQHJRZ\EyUHOHPHQWyZGRXVXQLFLDQLHPR*H E\üSU]\SDGNRZ\ 3U]HELHJ NROHMQ\FK HWDSyZ UHGXNFML ]LOXVWURZDQRL RSLVDQR SRQL*HM 5\V5HGXNFMD]ELRUX]HZQWU]QHJRSU]H]clustering..ROHMQ\PLHWDSDPLUHGXNFML]ELRUX]HZQWU]QHJRV zgrupowanie osobników w N NODVWUyZ Z REUELH MHGQHJR klastra XPLHV]F]D VL RVREQLNL UHSUH]HQWXMFH SRáR*RQH EOLVNR VLHELH UR]ZL]DQLD wybór jednego reprezentanta dla danego NODVWUD QDMF]FLHM RVREQLND SRáR*RQHJRZFHQWUDOQ\PSXQNFLHklastra); XVXQLFLH ZV]\VWNLFK RVREQLNyZ ] Z\MWNLHP Z\EUDQ\FK ZF]HQLHM reprezentantów poszczególnych klastrów. 10
11 6. Literatura [1] Zitzler E.: Evolutionary Algorithms for Multiobjective Optimization: Methods and Applications, Zürich 1999 (praca doktorska). [2] Michalewicz Z.: Algorytmy genetyczne + struktury danych = programy ewolucyjne, WNT 1999; s [3] Goldberg D.: Algorytmy genetyczne i ich zastosowania, WNT 1998; s UDFGRNWRUVNLLQQHSXEOLNDFMH(=LW]OHUDPR*QD]QDOH(üSRGDGUHVHP 3XEOLNDFMHGRW\F]FH]DVWRVRZDRSW\PDOL]DFMLZLHORNU\WHULDOQHM 11
MODEL OPTYMALIZACJI TRAS PRZEJAZDOWYCH JAKO NARZĘDZIE ZMNIEJSZENIA KOSZTÓW LOGISTYCZNYCH
Małgorzata Baryła-Paśnik 1, Wiesław Piekarski 2, Andrzej Kuranc 3, Anna Piecak 4, Szymon Ignaciuk 5, Jacek Wawrzosek 6 Uniwersytet Przyrodniczy w Lublinie MODEL OPTYMALIZACJI TRAS PRZEJAZDOWYCH JAKO NARZĘDZIE
Bardziej szczegółowoAlgorytmy ewolucyjne
Algorytmy ewolucyjne Dr inż. Michał Bereta p. 144 / 10, Instytut Modelowania Komputerowego mbereta@pk.edu.pl beretam@torus.uck.pk.edu.pl www.michalbereta.pl Problemy świata rzeczywistego często wymagają
Bardziej szczegółowoWIELOKRYTERIALNE ALGORYTMY EWOLUCYJNE W PLANOWANIU DROGI MORSKIEJ
JOANNA SZŁAPCZYŃSKA Akademia Morska w Gdyni Katedra Nawigacji WIELOKRYTERIALNE ALGORYTMY EWOLUCYJNE W PLANOWANIU DROGI MORSKIEJ Wielokryterialne algorytmy ewolucyjne rozszerzają klasyczny algorytm ewolucyjny
Bardziej szczegółowoWIELOKRYTERIALNA OPTYMALIZACJA PRACY SYSTEMU WYTWARZANIA O STRUKTURZE PRZEPŁYWOWEJ
WIELOKRYTERIALNA OPTYMALIZACJA PRACY SYSTEMU WYTWARZANIA O STRUKTURZE PRZEPŁYWOWEJ Dominik ŻELAZNY Streszczenie: Praca dotyczy harmonogramowania zadań w sekwencyjnym przepływowym systemie produkcyjnym.
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 szczegółowoDobór parametrów algorytmu ewolucyjnego
Dobór parametrów algorytmu ewolucyjnego 1 2 Wstęp Algorytm ewolucyjny posiada wiele parametrów. Przykładowo dla algorytmu genetycznego są to: prawdopodobieństwa stosowania operatorów mutacji i krzyżowania.
Bardziej szczegółowoWIELOKRYTERIALNA OPTYMALIZACJA KSZTAŁTU ODBŁYŚNIKA
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 73 Electrical Engineering 2013 Krzysztof WANDACHOWICZ* WIELOKRYTERIALNA OPTYMALIZACJA KSZTAŁTU ODBŁYŚNIKA W artykule przedstawiono wyniki badań dotyczących
Bardziej szczegółowoAlgorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba
Algorytmy ewolucyjne - algorytmy genetyczne I. Karcz-Dulęba Algorytmy klasyczne a algorytmy ewolucyjne Przeszukiwanie przestrzeni przez jeden punkt bazowy Przeszukiwanie przestrzeni przez zbiór punktów
Bardziej szczegółowoStandardowy algorytm genetyczny
Standardowy algorytm genetyczny 1 Szybki przegląd 2 Opracowany w USA w latach 70. Wcześni badacze: John H. Holland. Autor monografii Adaptation in Natural and Artificial Systems, wydanej w 1975 r., (teoria
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 szczegółowoOPTYMALNE DECYZJE ZASTOSOWANIE ALGORYTMU VEGA DO WYZNACZANIA POZIOMU ZAMÓWIEŃ NA MATERIAŁY W PRZEDSIĘBIORSTWIE GÓRNICZYM *
OPTYMALNE DECYZJE Katarzyna Jakowska-Suwalska Adam Sojda Politechnika Śląska w Gliwicach ZASTOSOWANIE ALGORYTMU VEGA DO WYZNACZANIA POZIOMU ZAMÓWIEŃ NA MATERIAŁY W PRZEDSIĘBIORSTWIE GÓRNICZYM * Wprowadzenie
Bardziej szczegółowoKatedra Informatyki Stosowanej. Algorytmy ewolucyjne. Inteligencja obliczeniowa
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Algorytmy ewolucyjne Treść wykładu Wprowadzenie Zasada działania Podział EA Cechy EA Algorytm genetyczny 2 EA - wprowadzenie Algorytmy ewolucyjne
Bardziej szczegółowoAlgorytmy genetyczne w optymalizacji
Algorytmy genetyczne w optymalizacji Literatura 1. David E. Goldberg, Algorytmy genetyczne i ich zastosowania, WNT, Warszawa 1998; 2. Zbigniew Michalewicz, Algorytmy genetyczne + struktury danych = programy
Bardziej szczegółowoZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE
ZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE WYDZIAŁ INFORMATYKI ROZPRAWA DOKTORSKA ZASTOSOWANIE ALGORYTMÓW EWOLUCYJNYCH ORAZ METOD RANKINGOWYCH DO PLANOWANIA TRASY STATKU Z NAPĘDEM HYBRYDOWYM
Bardziej szczegółowoLABORATORIUM 2: Wpływ wielkości populacji i liczby pokoleń na skuteczność poszukiwań AE. opracował: dr inż. Witold Beluch
OBLICZENIA EWOLUCYJNE LABORATORIUM 2: Wpływ wielkości populacji i liczby pokoleń na skuteczność poszukiwań AE opracował: dr inż. Witold Beluch witold.beluch@polsl.pl Gliwice 12 OBLICZENIA EWOLUCYJNE LABORATORIUM
Bardziej szczegółowoProblemy multimodalne, rozdzielone populacje oraz optymalizacja wielokryterialna
Problemy multimodalne, rozdzielone populacje oraz optymalizacja wielokryterialna 1 2 Wprowadzenie We wszystkich algorytmach ewolucyjnych omawianych do tej pory, wszystkie osobniki były elementami jednej
Bardziej szczegółowoAlgorytmy genetyczne (AG)
Algorytmy genetyczne (AG) 1. Wprowadzenie do AG a) ewolucja darwinowska b) podstawowe definicje c) operatory genetyczne d) konstruowanie AG e) standardowy AG f) przykład rozwiązania g) naprawdę bardzo,
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 ewolucyjne NAZEWNICTWO
Algorytmy ewolucyjne http://zajecia.jakubw.pl/nai NAZEWNICTWO Algorytmy ewolucyjne nazwa ogólna, obejmująca metody szczegółowe, jak np.: algorytmy genetyczne programowanie genetyczne strategie ewolucyjne
Bardziej szczegółowoo partnerstwie publiczno-prywatnym.
SENAT RZECZYPOSPOLITEJ POLSKIEJ V KADENCJA Warszawa, dnia 20 czerwca 2005 r. Druk nr 984 0$56=$à(. 6(-08 RZECZYPOSPOLITEJ POLSKIEJ Pan Longin PASTUSIAK 0$56=$à(. 6(1$78 RZECZYPOSPOLITEJ POLSKIEJ =JRGQLH
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 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 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 szczegółowoAlgorytmy ewolucyjne 1
Algorytmy ewolucyjne 1 2 Zasady zaliczenia przedmiotu Prowadzący (wykład i pracownie specjalistyczną): Wojciech Kwedlo, pokój 205. Konsultacje dla studentów studiów dziennych: poniedziałek,środa, godz
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 szczegółowoAKADEMIA GÓRNICZO-HUTNICZA IM. STANISŁAWA STASZICA W KRAKOWIE WYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI, INFORMATYKI I ELEKTRONIKI KATEDRA AUTOMATYKI
AKADEMIA GÓRNICO-HUTNICA IM. STANISŁAWA STASICA W KRAKOWIE WYDIAŁ ELEKTROTECHNIKI, AUTOMATYKI, INFORMATYKI I ELEKTRONIKI KATEDRA AUTOMATYKI ROPRAWA DOKTORSKA SYSTEM KOMPUTEROWY UŁATWIAJĄCY WYKORYSTANIE
Bardziej szczegółowoLABORATORIUM 5: Wpływ reprodukcji na skuteczność poszukiwań AE. opracował: dr inż. Witold Beluch
OBLICZENIA EWOLUCYJNE LABORATORIUM 5: Wpływ reprodukcji na skuteczność poszukiwań AE opracował: dr inż. Witold Beluch witold.beluch@polsl.pl Gliwice 2012 OBLICZENIA EWOLUCYJNE LABORATORIUM 5 2 Cel ćwiczenia
Bardziej szczegółowoStrategie ewolucyjne (ang. evolution strategies)
Strategie ewolucyjne (ang. evolution strategies) 1 2 Szybki przegląd Rozwijane w Niemczech w latach 60-70. Wcześni badacze: I. Rechenberg, H.-P. Schwefel (student Rechenberga). Typowe zastosowanie: Optymalizacja
Bardziej szczegółowoProblemy z ograniczeniami
Problemy z ograniczeniami 1 2 Dlaczego zadania z ograniczeniami Wiele praktycznych problemów to problemy z ograniczeniami. Problemy trudne obliczeniowo (np-trudne) to prawie zawsze problemy z ograniczeniami.
Bardziej szczegółowoMETODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne
METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne dr hab. inż. Andrzej Obuchowicz, prof. UZ Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski A. Obuchowicz: MSI - algorytmy ewolucyjne
Bardziej szczegółowoGenerowanie i optymalizacja harmonogramu za pomoca
Generowanie i optymalizacja harmonogramu za pomoca na przykładzie generatora planu zajęć Matematyka Stosowana i Informatyka Stosowana Wydział Fizyki Technicznej i Matematyki Stosowanej Politechnika Gdańska
Bardziej szczegółowoWAE Jarosław Arabas Pełny schemat algorytmu ewolucyjnego
WAE Jarosław Arabas Pełny schemat algorytmu ewolucyjnego Algorytm ewolucyjny algorytm ewolucyjny inicjuj P 0 {P 0 1, P 0 2... P 0 μ } t 0 H P 0 while! stop for (i 1: λ) if (a< p c ) O t i mutation(crossover
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 szczegółowoWstęp do Sztucznej Inteligencji
Wstęp do Sztucznej Inteligencji Algorytmy Genetyczne Joanna Kołodziej Politechnika Krakowska Wydział Fizyki, Matematyki i Informatyki Metody heurystyczne Algorytm efektywny: koszt zastosowania (mierzony
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 szczegółowoAlgorytmy ewolucyjne. Łukasz Przybyłek Studenckie Koło Naukowe BRAINS
Algorytmy ewolucyjne Łukasz Przybyłek Studenckie Koło Naukowe BRAINS 1 Wprowadzenie Algorytmy ewolucyjne ogólne algorytmy optymalizacji operujące na populacji rozwiązań, inspirowane biologicznymi zjawiskami,
Bardziej szczegółowoAlgorytmy stochastyczne, wykład 01 Podstawowy algorytm genetyczny
Algorytmy stochastyczne, wykład 01 J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-02-21 In memoriam prof. dr hab. Tomasz Schreiber (1975-2010) 1 2 3 Różne Orientacyjny
Bardziej szczegółowo1. PARAMETRY TECHNICZNE WAG NAJAZDOWYCH.
.ZLHFLH 2 1. PARAMETRY TECHNICZNE WAG NAJAZDOWYCH. Typ wagi 2EFL*HQLH maksymalne Max [kg] WPT/4N 400H WPT/4N 800H WPT/4N 1500H 400 800 1500 2EFL*HQLH PLQLPDOQH Min [kg] 4 10 10 'RNáDGQRü RGF]\WX d [g]
Bardziej szczegółowoObliczenia ewolucyjne - plan wykładu
Obliczenia ewolucyjne - plan wykładu Wprowadzenie Algorytmy genetyczne Programowanie genetyczne Programowanie ewolucyjne Strategie ewolucyjne Inne modele obliczeń ewolucyjnych Podsumowanie Ewolucja Ewolucja
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 17. ALGORYTMY EWOLUCYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska KODOWANIE BINARNE Problem różnych struktur przestrzeni
Bardziej szczegółowoALGORYTM RÓWNOLEGŁY DLA PROBLEMU MARSZRUTYZACJI
ALGORYTM RÓWNOLEGŁY DLA PROBLEMU MARSZRUTYZACJI Szymon JAGIEŁŁO, Dominik ŻELAZNY Streszczenie: Transport odgrywa znaczącą rolę zarówno w produkcji jak i usługach przemysłowych. W dzisiejszych czasach,
Bardziej szczegółowoTomasz Pawlak. Zastosowania Metod Inteligencji Obliczeniowej
1 Zastosowania Metod Inteligencji Obliczeniowej Tomasz Pawlak 2 Plan prezentacji Sprawy organizacyjne Wprowadzenie do metod inteligencji obliczeniowej Studium wybranych przypadków zastosowań IO 3 Dane
Bardziej szczegółowoAKADEMIA GÓRNICZO HUTNICZA IM. STANISŁAWA STASZICA W KRAKOWIE WYDZIAŁ INFORMATYKI ELEKTRONIKI I TELEKOMUNIKACJI. Projekt inżynierski
AKADEMIA GÓRNICZO HUTNICZA IM. STANISŁAWA STASZICA W KRAKOWIE WYDZIAŁ INFORMATYKI ELEKTRONIKI I TELEKOMUNIKACJI Projekt inżynierski Komponentowy system ewolucyjny przeznaczony do optymalizacji wielomodalnej
Bardziej szczegółowoTeoria algorytmów ewolucyjnych
Teoria algorytmów ewolucyjnych 1 2 Dlaczego teoria Wynik analiza teoretycznej może pokazać jakie warunki należy spełnić, aby osiągnąć zbieżność do minimum globalnego. Np. sukcesja elitarystyczna. Może
Bardziej szczegółowoAlgorytmy genetyczne. Dariusz Banasiak. Katedra Informatyki Technicznej Wydział Elektroniki
Dariusz Banasiak Katedra Informatyki Technicznej Wydział Elektroniki Obliczenia ewolucyjne (EC evolutionary computing) lub algorytmy ewolucyjne (EA evolutionary algorithms) to ogólne określenia używane
Bardziej szczegółowoLABORATORIUM 3: Wpływ operatorów krzyżowania na skuteczność poszukiwań AE
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl OBLICZENIA EWOLUCYJNE LABORATORIUM 3: Wpływ operatorów krzyżowania na skuteczność
Bardziej szczegółowoAlgorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach
Adam Stawowy Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach Summary: We present a meta-heuristic to combine Monte Carlo simulation with genetic algorithm for Capital
Bardziej szczegółowoPLAN WYKŁADU OPTYMALIZACJA GLOBALNA HISTORIA NA CZYM BAZUJĄ AG
PLAN WYKŁADU OPTYMALIZACJA GLOBALNA Wykład 2 dr inż. Agnieszka Bołtuć Historia Zadania Co odróżnia od klasycznych algorytmów Nazewnictwo Etapy Kodowanie, inicjalizacja, transformacja funkcji celu Selekcja
Bardziej szczegółowoĆWICZENIE 2: Algorytmy ewolucyjne cz. 1 wpływ wielkości populacji i liczby pokoleń na skuteczność poszukiwań AE
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE studia niestacjonarne ĆWICZENIE 2: Algorytmy ewolucyjne cz. 1
Bardziej szczegółowoWłaściwości i zastosowania algorytmów ewolucyjnych w optymalizacji
Właściwości i zastosowania algorytmów ewolucyjnych w optymalizacji Adam Słowik Politechnika Koszalińska, Wydział Elektroniki i Informatyki Abstract: In the paper a characteristics of evolutionary algorithms
Bardziej szczegółowoZadanie 5 - Algorytmy genetyczne (optymalizacja)
Zadanie 5 - Algorytmy genetyczne (optymalizacja) Marcin Pietrzykowski mpietrzykowski@wi.zut.edu.pl wersja 1.0 1 Cel Celem zadania jest zapoznanie się z Algorytmami Genetycznymi w celu rozwiązywanie zadania
Bardziej szczegółowoLABORATORIUM 1: Program Evolutionary Algorithms
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl OBLICZENIA EWOLUCYJNE LABORATORIUM 1: Program Evolutionary Algorithms opracował:
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 szczegółowo6. Klasyczny algorytm genetyczny. 1
6. Klasyczny algorytm genetyczny. 1 Idea algorytmu genetycznego została zaczerpnięta z nauk przyrodniczych opisujących zjawiska doboru naturalnego i dziedziczenia. Mechanizmy te polegają na przetrwaniu
Bardziej szczegółowoKWIT WYWOZOWY/PODWOZOWY (KW)
KWIT WYWOZOWY/PODWOZOWY (KW).ZLW Z\ZR]RZ\SRGZR]RZ\ MHVW GRNXPHQWHP VWDQRZLF\P SRGVWDZ SU]HPLHV]F]HQLD Z\URELRQ\FKLRGHEUDQ\FKPDWHULDáyZGU]HZQ\FKSU]\X*\FLXNRQQ\FKLPHFKDQLF]Q\FKURGNyw WUDQVSRUWRZ\FKDSRSRGSLVDQLXSU]H]RGELRUFVWDQRZLGRZyGGRVWDZ\RNUHORQHMZQLPPDV\
Bardziej szczegółowoRok akademicki: 2013/2014 Kod: JIS AD-s Punkty ECTS: 4. Kierunek: Informatyka Stosowana Specjalność: Modelowanie i analiza danych
Nazwa modułu: Algorytmy genetyczne i ich zastosowania Rok akademicki: 2013/2014 Kod: JIS-2-201-AD-s Punkty ECTS: 4 Wydział: Fizyki i Informatyki Stosowanej Kierunek: Informatyka Stosowana Specjalność:
Bardziej szczegółowoSENAT RZECZYPOSPOLITEJ POLSKIEJ V KADENCJA. Warszawa, dnia 3 sierpnia 2005 r. Druk nr 1074
SENAT RZECZYPOSPOLITEJ POLSKIEJ V KADENCJA Warszawa, dnia 3 sierpnia 2005 r. Druk nr 1074 PREZES RADY MINISTRÓW Marek BELKA Pan Longin PASTUSIAK 0$56=$à(. 6(1$78 RZECZYPOSPOLITEJ POLSKIEJ 6]DQRZQ\ 3DQLH
Bardziej szczegółowoPOZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 72 Electrical Engineering 2012
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 72 Electrical Engineering 2012 Wiktor HUDY* Kazimierz JARACZ* ANALIZA WYNIKÓW SYMULACJI EWOLUCYJNEJ OPTYMALIZACJI PARAMETRYCZNEJ UKŁADU STEROWANIA
Bardziej szczegółowoIMPLIKACJE ZASTOSOWANIA KODOWANIA OPARTEGO NA LICZBACH CAŁKOWITYCH W ALGORYTMIE GENETYCZNYM
IMPLIKACJE ZASTOSOWANIA KODOWANIA OPARTEGO NA LICZBACH CAŁKOWITYCH W ALGORYTMIE GENETYCZNYM Artykuł zawiera opis eksperymentu, który polegał na uyciu algorytmu genetycznego przy wykorzystaniu kodowania
Bardziej szczegółowoAnna Gryko-Nikitin Politechnika Białostocka, Wydział Zarządzania, Katedra Informatyki Gospodarczej i Logistyki
Niektóre osobliwości algorytmów genetycznych na przykładzie zagadnień logistycznych Certain peculiarities of the genetic algorithms based on logistic issues Anna Gryko-Nikitin Politechnika Białostocka,
Bardziej szczegółowoALGORYTMY EWOLUCYJNE I ICH ZASTOSOWANIA
ZESZYTY NAUKOWE 81-92 Ewa FIGIELSKA 1 ALGORYTMY EWOLUCYJNE I ICH ZASTOSOWANIA Streszczenie: Pojęcie algorytmy ewolucyjne obejmuje metodologie inspirowane darwinowską zasadą doboru naturalnego stosowane
Bardziej szczegółowoZastosowanie algorytmów genetycznych w projektowaniu optymalnego układu klawiatury
UNIWERSYTET GDAŃSKI Wydział Matematyki, Fizyki i Informatyki Michał Dettlaff nr albumu: 164 622 Zastosowanie algorytmów genetycznych w projektowaniu optymalnego układu klawiatury Praca magisterska na kierunku:
Bardziej szczegółowo0,$67$,*0,1<67 6=(: :L]MD]UyZQRZD*RQHJRUR]ZRMXgminy. :VWUDWHJLL ]UyZQRZD*RQHJR UR]ZRMX PLDVWD LJPLQ\ 6WV]HZ OLGHU]\ JPLQ\ RSUDFRZDOL QDVWSXMFZL]MJPLQ\
VI. 32:,=$1,(3/$1852=:2-8/2.$/1(*2 =(65$7(*,=5Ï:12:$)21(*252=:2-8 0,$67$,*0,1
Bardziej szczegółowoALGORYTM EWOLUCYJNY DLA PROBLEMU SZEREGOWANIA ZADAŃ W SYSTEMIE PRZEPŁYWOWYM
ALGORYTM EWOLUCYJNY DLA PROBLEMU SZEREGOWANIA ZADAŃ W SYSTEMIE PRZEPŁYWOWYM Adam STAWOWY, Marek ŚWIĘCHOWICZ Streszczenie: W pracy zaprezentowano algorytm strategii ewolucyjnej do problemu szeregowania
Bardziej szczegółowoNa poprzednim wykładzie:
ALGORYTMY EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. wykład VALUE 3 fitness f. value FITNESS F.
Bardziej szczegółowoALHE Z11 Jarosław Arabas wykład 11
ALHE Z11 Jarosław Arabas wykład 11 algorytm ewolucyjny inicjuj P 0 {x 1, x 2... x } t 0 while! stop for i 1: if a p c O t,i mutation crossover select P t, k else O t,i mutation select P t,1 P t 1 replacement
Bardziej szczegółowoALGORYTMY GENETYCZNE DLA POŁACZEŃ ROZGAŁEŹNYCH
Tomasz Bartczak, Piotr Zwierzykowski Politechnika Poznańska Instytut Elektroniki i Telekomunikacji ul. Piotrowo 3A, 60-965 Poznań e-mail: pzwierz@et.put.poznan.pl 2005 Poznańskie Warsztaty Telekomunikacyjne
Bardziej szczegółowoJan Bień. Modelowanie obiektów mostowych w procesie ich eksploatacji
Jan Bień Modelowanie obiektów mostowych w procesie ich eksploatacji Oficyna Wydawnicza Politechniki Wrocławskiej Wrocław 2002 63,675(&, 1. SYSTEMOWE WSPOMAGANIE EKSPLOATACJI OBIEKTÓW MOSTOWYCH... 7 1.1.
Bardziej szczegółowoWIELOKRYTERIALNA OPTYMALIZACJA Z OGRANICZENIAMI POZYCYJNEGO UKŁADU NAPĘDOWEGO
Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Nr 71 Politechniki Wrocławskiej Nr 71 Studia i Materiały Nr 35 2015 Marcin JASTRZĘBSKI* Piotr WOŹNIAK* optymalizacja wielokryterialna z
Bardziej szczegółowoRównoważność algorytmów optymalizacji
Równoważność algorytmów optymalizacji Reguła nie ma nic za darmo (ang. no free lunch theory): efektywność różnych typowych algorytmów szukania uśredniona po wszystkich możliwych problemach optymalizacyjnych
Bardziej szczegółowoBIOCYBERNETYKA ALGORYTMY GENETYCZNE I METODY EWOLUCYJNE. Adrian Horzyk. Akademia Górniczo-Hutnicza
BIOCYBERNETYKA ALGORYTMY GENETYCZNE I METODY EWOLUCYJNE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii
Bardziej szczegółowoALGORYTM PRZESZUKIWANIA Z ZABRONIENIAMI DLA DWUKRYTERIALNEGO PROBLEMU PRZEPŁYWOWEGO
ALGORYTM PRZESZUKIWANIA Z ZABRONIENIAMI DLA DWUKRYTERIALNEGO PROBLEMU PRZEPŁYWOWEGO Jarosław PEMPERA, Dominik ŻELAZNY Streszczenie: Praca poświęcona jest problemowi przepływowemu z dwukryterialną funkcją
Bardziej szczegółowoWPŁYW PARAMETRÓW STARTOWYCH NA TEMPO ZBIEŻNOŚCI KOEWOLUCYJNEGO ALGORYTMU GENETYCZNEGO
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 235 2015 Michał Kameduła Uniwersytet Łódzki Wydział Ekonomiczno-Socjologiczny Katedra Badań Operacyjnych michal_kamedula@poczta.o2.pl
Bardziej szczegółowoAlgorytmy ewolucyjne
Algorytmy ewolucyjne wprowadzenie Piotr Lipiński lipinski@ii.uni.wroc.pl Piotr Lipiński Algorytmy ewolucyjne p.1/16 Cel wykładu zapoznanie studentów z algorytmami ewolucyjnymi, przede wszystkim nowoczesnymi
Bardziej szczegółowoWYKORZYSTANIE MODELU DIALOGICZNEGO OCENIANIA W KOMUNIKOWANIU WYNIKÓW EGZA0,18=(:1 75=1(*2
KRZYSZTOF BEDNAREK CEZARY LEMPA 5HJLRQDOQ\2URGHN'RVNRQDOHQLD1DXF]\FLHOLÄ:20 Z.DWRZLFDFK WYKORZYSTANIE MODELU DIALOGICZNEGO OCENIANIA W KOMUNIKOWANIU WYNIKÓW EGZA0,18=(:1 75=1(*2 :5R]SRU]G]HQLX0LQLVWUD(GXNDFML1DURGRZHML
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2009, Oeconomica 275 (57), 53 58
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2009, Oeconomica 275 (57), 53 58 Anna LANDOWSKA ROZWIĄZANIE PROBLEMU OPTYMALNEGO PRZYDZIAŁU ZA POMOCĄ KLASYCZNEGO
Bardziej szczegółowoAnaliza wielokryterialna wstęp do zagadnienia
Organizacja, przebieg i zarządzanie inwestycją budowlaną Analiza wielokryterialna wstęp do zagadnienia dr hab. Mieczysław Połoński prof. SGGW 1 Wprowadzenie Jednym z podstawowych, a równocześnie najważniejszym
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 szczegółowoFizyka w symulacji komputerowej i modelowaniu komputerowym Metody Monte Carlo Algorytmy Genetyczne. Łukasz Pepłowski
Fizyka w symulacji komputerowej i modelowaniu komputerowym Metody Monte Carlo Algorytmy Genetyczne Łukasz Pepłowski Plan Metody Stochastyczne Łańcuchy Markowa Dynamika Brownowska Metoda Monte Carlo Symulowane
Bardziej szczegółowoROZWÓJ ALGORYTMU EWOLUCJI RÓŻNICOWEJ. Konrad Wypchło
ROZWÓJ ALGORYTMU EWOLUCJI RÓŻNICOWEJ Konrad Wypchło Plan prezentacji 2 Elementy klasycznego algorytmu ewolucyjnego Ewolucja różnicowa DMEA i inne modyfikacje Adaptacja zasięgu mutacji (AHDMEA, SaHDMEA)
Bardziej szczegółowoZASTOSOWANIE ALGORYTMU EWOLUCYJNEGO W REKONFIGURACJI SIECI DYSTRYBUCYJNEJ
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 78 Electrical Engineering 2014 Wojciech BĄCHOREK* Janusz BROŻEK* ZASTOSOWANIE ALGORYTMU EWOLUCYJNEGO W REKONFIGURACJI SIECI DYSTRYBUCYJNEJ Elektroenergetyczne
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 13. PROBLEMY OPTYMALIZACYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska PROBLEMY OPTYMALIZACYJNE Optymalizacja poszukiwanie
Bardziej szczegółowoTechniki ewolucyjne - algorytm genetyczny i nie tylko
Reprezentacja binarna W reprezentacji binarnej wybór populacji początkowej tworzymy poprzez tablice genotypów (rys.1.), dla osobników o zadanej przez użytkownika wielkości i danej długości genotypów wypełniamy
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 szczegółowoWYKORZYSTANIE METOD OPTYMALIZACJI DO ESTYMACJI ZASTĘPCZYCH WŁASNOŚCI MATERIAŁOWYCH UZWOJENIA MASZYNY ELEKTRYCZNEJ
MODELOWANIE INŻYNIERSKIE ISNN 1896-771X 3, s. 71-76, Gliwice 006 WYKORZYSTANIE METOD OPTYMALIZACJI DO ESTYMACJI ZASTĘPCZYCH WŁASNOŚCI MATERIAŁOWYCH UZWOJENIA MASZYNY ELEKTRYCZNEJ TOMASZ CZAPLA MARIUSZ
Bardziej szczegółowoObliczenia Naturalne - Algorytmy genetyczne
Literatura Obliczenia Naturalne - Algorytmy genetyczne Paweł Paduch Politechnika Świętokrzyska 20 marca 2014 Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 1 z 45 Plan wykładu Literatura 1 Literatura
Bardziej szczegółowoWielokryteriowa optymalizacja liniowa
Wielokryteriowa optymalizacja liniowa 1. Przy decyzjach złożonych kierujemy się zwykle więcej niż jednym kryterium. Postępowanie w takich sytuacjach nie jest jednoznaczne. Pojawiło się wiele sposobów dochodzenia
Bardziej szczegółowoOptymalizacja wielokryterialna w zastosowaniu do zagadnień transportowych
Agnieszka Malesa* *Politechnika Warszawska, Wydział Transportu, Studium Doktoranckie Optymalizacja wielokryterialna w zastosowaniu do zagadnień transportowych Streszczenie Na przestrzeni ostatnich dwudziestu
Bardziej szczegółowoProgramowanie genetyczne (ang. genetic programming)
Programowanie genetyczne (ang. genetic programming) 1 2 Wstęp Spopularyzowane przez Johna Kozę na początku lat 90-tych. Polega na zastosowaniu paradygmatu obliczeń ewolucyjnych do generowania programów
Bardziej szczegółowoInspiracje soft computing. Soft computing. Terminy genetyczne i ich odpowiedniki w algorytmach genetycznych. Elementarny algorytm genetyczny
Soft computing Soft computing tym róŝni się od klasycznych obliczeń (hard computing), Ŝe jest odporny na brak precyzji i niepewność danych wejściowych. Obliczenia soft computing mają inspiracje ze świata
Bardziej szczegółowoMETODY SZTUCZNEJ INTELIGENCJI W ROZWI ZYWANIU ZADA OPTYMALIZACJI
METODY SZTUCZNEJ INTELIGENCJI W ROZWI ZYWANIU ZADA OPTYMALIZACJI Izabela Skorupska Studium Doktoranckie, Wydział Elektrotechniki, Informatyki i Telekomunikacji Uniwersytet Zielonogórski e-mail: iskorups
Bardziej szczegółowoRój cząsteczek. Particle Swarm Optimization. Adam Grycner. 18 maja Instytut Informatyki Uniwersytetu Wrocławskiego
Rój cząsteczek Particle Swarm Optimization Adam Grycner Instytut Informatyki Uniwersytetu Wrocławskiego 18 maja 2011 Adam Grycner Rój cząsteczek 1 / 38 Praca Kennedy ego i Eberhart a Praca Kennedy ego
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 2017, 337(88)3, 5 12
DOI: 10.21005/oe.2017.88.3.01 FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 2017, 337(88)3, 5 12 Anna LANDOWSKA ZASTOSOWANIE KLASYCZNEGO ALGORYTMU
Bardziej szczegółowoAlgorytmy genetyczne
Politechnika Łódzka Katedra Informatyki Stosowanej Algorytmy genetyczne Wykład 2 Przygotował i prowadzi: Dr inż. Piotr Urbanek Powtórzenie Pytania: Jaki mechanizm jest stosowany w naturze do takiego modyfikowania
Bardziej szczegółowoALGORYTMY EWOLUCYJNE W ZASTOSOWANIU DO ROZWIĄZYWANIA WYBRANYCH ZADAŃ OPTYMALIZACJI1
Acta Sci. Pol., Geodesia et Descriptio Terrarum 12 (2) 2013, 21-28 ISSN 1644 0668 (print) ISSN 2083 8662 (on-line) ALGORYTMY EWOLUCYJNE W ZASTOSOWANIU DO ROZWIĄZYWANIA WYBRANYCH ZADAŃ OPTYMALIZACJI1 Józef
Bardziej szczegółowoAlgorytmy genetyczne i memetyczne Strategie ewolucyjne
Wykład 8 Algorytmy genetyczne i memetyczne Strategie ewolucyjne Kazimierz Grygiel Page 1 of 25 Geneza algorytmów genetycznych Koncepcja teoretyczna: John H. Holland (ur. 1929) Professor of psychology Professor
Bardziej szczegółowoObliczenia Naturalne - Algorytmy genetyczne
Literatura Kodowanie Obliczenia Naturalne - Algorytmy genetyczne Paweł Paduch Politechnika Świętokrzyska 27 marca 2014 Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 1 z 45 Plan wykładu Literatura
Bardziej szczegółowoAlgorytm memetyczny w grach wielokryterialnych z odroczoną preferencją celów. Adam Żychowski
Algorytm memetyczny w grach wielokryterialnych z odroczoną preferencją celów Adam Żychowski Definicja problemu dwóch graczy: P 1 (minimalizator) oraz P 2 (maksymalizator) S 1, S 2 zbiory strategii graczy
Bardziej szczegółowoAlgorytmy ewolucyjne `
Algorytmy ewolucyjne ` Wstęp Czym są algorytmy ewolucyjne? Rodzaje algorytmów ewolucyjnych Algorytmy genetyczne Strategie ewolucyjne Programowanie genetyczne Zarys historyczny Alan Turing, 1950 Nils Aall
Bardziej szczegółowoWybrane problemy optymalizacji wielokryterialnej we wstępnym projektowaniu konstrukcji kadłuba statków morskich
Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Zbigniew Sekulski Wybrane problemy optymalizacji wielokryterialnej we wstępnym projektowaniu konstrukcji kadłuba statków morskich Szczecin 2012
Bardziej szczegółowo