SYSTEMY (ALGORYTMY) MRÓWKOWE

Wielkość: px
Rozpocząć pokaz od strony:

Download "SYSTEMY (ALGORYTMY) MRÓWKOWE"

Transkrypt

1 OLIZNI WOLUYJN ITNSS. STRT OMPUTTION ITNSS. OMPUTTION INITIL SUGenration SNING HROM. TO OMPUTRS chromosome VOLUTIONRY OPRTORS N RIVING ITNSS. wykład 7 VLU fitness f. value MIGRTION PHS ITNSS. communication OMPUTTION with other SLTION sugenrations YS TRMINTION ONITION NO SYSTMY (LGORYTMY) MRÓWKOW N 2 Mrówki sąs praktycznie ślepe, lecz potrafią znaleźć najkrótsz tszą drogę do pożywienia i z powrotem. Ich oserwacja yła a inspiracją do powstania (origo,, 996) nowego typu algorytmów zwanych mrówkowymi (ant ant algorithms, ant systems) Zastosowania - zad. optymalizacji kominatorycznej: prolem komiwojażera; harmonogramowanie wyznaczanie tras w sieciach telekomunikacyjnych; wyznaczanie optymalnych tras w ruchu miejskim. 3 food source N - nest 4 Systemy azujące na inteligencji masowej populacja mrówek (podonie jak w ). Każda mrówka w populacji poszukuje rozwiązania zania (najkrótszej drogi). Pozostawianie feromonu na trasie. Wyór r trasy na podstawie ilości feromonu Wielokrotne powtarzanie: trasa optymalna. 5 zas (t) jest dyskretny; W każdej jednostce czasu każda mrówka przemieszcza się o d = pozostawiając jednostkę feromonu. W chwili t = 0 rak feromonu na wszystkich krawędziach. Znaleźć najkrótszą drogę między i...

2 6 z do t = 0 t = t = 2 t = z do Proste podąż ążanie ścieżką z największ kszą ilości cią fero-monu szykie utknięcie w optimum lokalnym. iridia.ul.ac.e/~ /~mdorigo/o/o.htmlo.html Potrzena jest eksploracja ścieżek ek mrówki wyierają ścieżki z prawdopodoieństwem proporcjonalnym do intensywności śladu feromonowego na niej. To, że e mrówka wyierze daną ścieżkę zależy y zarówno od intensywności feromonu jak równier wnież np. odległości od następnego miasta (TSP). W celu zapewnienia raku nieograniczonego wzrostu ilości feromonu parowanie feromonu. 9 0 NTURLNY SYSTM IMMUNOLOGIZNY: LGORYTMY IMMUNO- LOGIZN Jego zadaniem jest ochrona żywego organizmu przed działaniem aniem ocych struktur mających charakter chorootwórcze rcze (patogeny( patogeny), jak wirusy, akterie, grzyy czy niewłaściwie funkcjonujące ce komórki. Wszystkie te struktury, które wywołuj ują reakcję immunologiczną,, nazywane sąs antygenami. ardzo ogólnie: rozpoznawanie antygenów w na zasadzie swój-ocy i eliminowanie tych drugich. 2

3 Może yć przedstawiony w postaci warstwowej: Limfocyty komórki, ędące głównymi g składowymi adaptacyjnego systemu immunologicznego.. Skóra podstawowa ariera ochronna. 2. Warstwa fizjologiczna (temperatura, ph) stwarza warunki niekorzystne dla rozwoju ocych organizmów. 3. Odporność wrodzona (nieswoista) 4. Odporność adaptacyjna (swoista) rozpoznawanie i eliminacja antygenów w przez odpowiednie komórki 3 Limfocyty (głównie typów T i ) ) w wielkich ilościach krążą w płynach p ustrojowych system immunologiczny jest systemem zdecentralizowanym a wszystkie jego komórki mogą się dowolnie przemieszczać. Limfocyty rozpoznają napotykane antygeny i pomagają je eliminować,, przy czym mogą ze soą lokalnie współpracowa pracować. 4 Limfocyty typu - produkcja przeciwciał rozpoznających antygen. Limfocyty typu T - rozpoznawanie swój-ocy. uże zróżnicowanie limfocytów: - pozwala na rozpoznawanie wielu różnych r antygenów; - pierwotnie zyt mała a licza komórek rozpoznających antygen y go zwalczyć. 5 6 SZTUZNY SYSTM IMMUNOLOGIZNY (rtificial Immune System, IS) Ziór metod oliczeniowych inspirowanych zasadami działania ania układ adów odpornościowych kręgowc gowców. w. Tylko niektóre elementy naturalnych układ adów w sąs rane pod uwagę,, typowo: mutacja limfocytów w, proliferacja cja, komórki pamięci, rozpoznawanie antygenów w z użyciem u limfocytów i T. Niektóre zastosowania: - optymalizacja (patogen reprezentuje optimum gloalne, szukane jest najlepiej dopasowane przeciwciało); - zagadnienia zw. z ezpieczeństwem sieciowym (np. NIS - network intrusion detection system) - uczenie maszynowe; - systemy agentowe. 7 IS - POJĘI: Komórka macierzysta wzorzec akceptowany w systemie; Przeciwciało oiekt rozpoznający oiekty nie ędące komórkami macierzystym (wzorce niepożą żądane). ntygen oiekt rozpoznawany i uaktywniający przeciwciała. Komórka pamięciowa przechowuje informacje o rozpoznanym antygenie; przy kolejnym ataku antygenu zostaje on dużo o szyciej rozpoznany. Proliferacja namnażanie anie się komórek. Hipermutacje mutacje, których częstotliwo stotliwość jest przynajmniej o jeden rząd d wielkości większa, niż innych mutacji w organizmie (zwykle jeszcze częś ęściej).

4 POSTWOW MHNIZMY: POSTWOW MHNIZMY: Selekcja klonalna (limfocyty ) Selekcja negatywna (limfocyty T) el namnożenie odpowiednich przeciwciał,, iorących udział w zwalczaniu danego antygenu. Uaktywnione limfocyty dzielą się produkując c wiele klonów, które następnie przechodzą hipermutację y wytworzyć lepiej dopasowane przeciwciała. a. la powstałej populacji zmutowanych klonów oceniany stopień dopasowania każdego z nich do antygenu. Słao S dopasowane sąs usuwane, dorze dopasowane pozostają. el utworzenie zioru przeciwciał - detektorów, które nie sąs uaktywniane przez komórki macierzyste. W procesie selekcji negatywnej limfocytom T pokazywane sąs komórki własne. w Jeśli dany limfocyt rozpozna którąś z nich, jest on usuwany. Nie podlegają mutacji /~stw/ais/ks/natural.html Przykład: IS autorstwa prof.. Wacława awa Kusia. Losowe wygenerowanie komórek pamięciowych. 2. Komórki pamięciowe proliferują i mutują tworząc c limfocyty (licza klonów w zależy y od przystosowania). 3. Oliczenie wartości przystosowania dla limfocytów w. 4. Selekcja na podstawie odległości między każdą komórk rką pamięciow ciową a limfocytami. 5. Mechanizm zatłoczenia usuwa podone komórki pamięci. 6. Procedura jest powtarzana do spełnienia warunku zakończenia (np. licza iteracji). 22 LGORYTMY IMMUNOGNTYZN Są połą łączeniem mechanizmów w genetycznych (ewolucyjnych) i immunologicznych; IS i mają wiele cech wspólnych, np. działanie anie na populacji osoników, stosowanie mechanizmów w selekcji. W algorytmach immunogenetycznych stosowane sąs operatory krzyżowania, mutacji i selekcji (jak ) przy zachowaniu populacji antygenów w i przeciwciał (jak IS). zęsto: do generowania populacji przeciwciał,, y poddać je immunologicznej selekcji negatywnej. unkcja przystosowania zwykle miary azujące na stopniu dopasowania przeciwciała a do antygenu (jak w IS). PRZYKŁY ZSTOSOWŃ 23 24

5 UKŁNI PLNU LKJI Jest prolemem należą żącym do klasy NP-trudnych trudnych. Wiele nietrywialnych ograniczeń. Zadanie opisuje się poprzez: listę nauczycieli n; listę grup g; listę terminów t; listę sal s. Zadanie polega na wygenerowaniu pewnej czteroargumentowej relacji określonej na ziorze nauczycieli, grup, sal i godzin zajęciowych ciowych,, do której należą wszystkie takie i tylko takie czwórki n,g,s,t, że nauczyciel n prowadzi zajęcia z grupą g w sali s i w terminie t. Ograniczenia:. Twarde: Zadana jest licza godzin dla każdego nauczyciela i każdej klasy; W każdej sali i terminie jest tylko jeden nauczyciel; Nauczyciel nie może e uczyć dwu grup naraz; W każdej sali z zaplanowanymi zajęciami znajduje się nauczyciel Ograniczenia: Programy wspomagające układanie planu, np: 2. Miękkie: ele dydaktyczne (rozłożenie przedmiotów w w tygodniu); ele personalne (pozostawienie wolnych niektórych terminów dla niektórych nauczycieli); ele organizacyjne (dodatkowy nauczyciel na każdy termin na zastępstwo). Zadanie układania planu lekcji rozwiązane zane z użyciem u zostało o pomyślnie przetestowane np. dla danych z dużej szkoły y w Mediolanie (99) PROGRMOWNI ROGI W ŚROO- WISKU RUHOMGO ROOT el: Znalezienie się roota w punkcie docelowym ez zaguienia się i kolizji z jakimkolwiek oiektem. Nawigator ewolucyjny (Michalewicz) - połą łączenie planowań: zawczasu i ieżą żącego drogi roota: Początkowo: (planowanie( zawczasu) ) poszukiwanie najlepszej drogi (rozwiązanie zanie optymalne): Rozwiązania: zania: roga planowana jest na wstępie (skuteczne skuteczne jedynie przy założeniu, że środowisko poruszania się roota jest dokładnie znane i nie zmienia się). Wiedza o otoczeniu jest czerpana na ieżą żąco poprzez adanie otoczenia lokalnego ( (pozwala pozwala to na ominięcie nieznanych jak i ruchomych przeszkód). 29 a 30

6 Planowanie ieżą żące rozwiązuje zuje prolemy związane zane z nowymi oiektami na wcześniej zaplanowanej trasie. a d a d a d e UNIKNI KOLIZJI N MORZU Oiekt ruchomy (np. statek) może e yć nieezpieczny dla oiektu własnegow jeśli: Wszedł w zakres oserwacji (5- mil morskich przed dzioem i mile za rufą); Może e przeciąć kurs zadany w nieezpiecznej odległości (jej wartość zależy y od pogody, rejonu pływania i prędko dkości statku); f e unkcja przystosowania uwzględni dnić powinna zarówno warunki ezpieczeństwa żeglugi jak i warunki ekonomiczne Stała a prędko dkość statku własnego: w v =.6w. Stała a prędko dkość statku własnego: w v = 5.6w Zmienna prędko dkość (mutacja prędko dkości) v = {3.6;.6; 3.6}w W GRH (OTHLLO) Gra: Rywalizacja prowadzona przez uczestników w zgodnie z ustalonymi regułami, y osiągn gnąć założony ony cel. Podział: Losowe ( (ruletka); Takie, w których element losowy wpływa na rozgrywkę (rydż); eterministyczne ( (szachy)

7 Gra: Gracze wykonują kolejne ruchy (podejmują decyzje) ze zioru ruchów dopuszczalnych aż do osiągni gnięcia stanu końcowego cowego. Rozgrywka jest poszukiwaniem takich ruchów gracza, które zapewnią mu zwycięstwo stwo. Liście takiego drzewa oznaczają stany końcowe gry: wygrane, remisowe lu przegrane dla gracza. 37 rzewo reprezentuje wszystkie możliwe rozwią-zania zania, np.: warcay: 0 40 węzłów; w; szachy: 0 20 węzłów. w. el gry: znalezienie strategii wygrywającej (niezależnie od posunięć przeciwnika). W ogólnym przypadku wymaga to zudowania i przeszukania całego drzewa zwykle niemożliwe liwe. W efekcie: zwykle ada się tylko część drzewa (możliwie jak najgłę łęiej). 3 Othello (reversi): rozgrywka jest skomplikowana; rak dorego programu grającego; 3 znane strategie gry:. Maksymalnej liczy punktów prowadzi zwykle do lokady ruchów w gracza. 2. Pól l ważonych (cel: przejęcie pól p strategicznych ). 3. Mnimalnej liczy pionków (minimalizacja liczy włas-nych pionów, y zwiększy kszyć możliwo liwości ruchu stosowana ślepo prowadzi do przegranej ). 40 Zast.. do tworzenia programów w grających:. jako narzędzie wspomagające proces szukania dorej strategii gry. Program grający nie wykorzystuje podczas gry, lecz ma wudowaną strategię (znalezioną wcześniej za pomocą ). 2. Zastosowanie jako wudowanego grającego. modułu Proces poszukiwań można opisać za pomocą drzewa rozwiąza zań (korzeń stan początkowy, węzły w kolej- ne stany, jakie ędą możliwe po wykonaniu danego ruchu). na każdym etapie gry odpowiada za znalezienie opty- malnego posunięcia przez program grający. 4

ALGORYTMY IMMUNO- LOGICZNE

ALGORYTMY IMMUNO- LOGICZNE OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBGenration SENDING CHROM. TO COMPUTERS chromosome wykład AND RECEIVING FITNESS F. EVOLUTIONARY OPERATORS 7 VALUE fitness

Bardziej szczegółowo

OBLICZENIA EWOLUCYJNE

OBLICZENIA EWOLUCYJNE 1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBGenration SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. VALUE fitness f. value wykład 7 FITNESS

Bardziej szczegółowo

METODY HEURYSTYCZNE wykład 7

METODY HEURYSTYCZNE wykład 7 METODY HEURYSTYCZNE wykład 7 PROJEKTOWANIE BAZ REGUŁ 2 Informacja niezbędna do zaprojektowania sterownika: numeryczna (ilościowa) z czujników pomiarowych; lingwistyczna (jakościowa) od eksperta. Stworzenie

Bardziej szczegółowo

Zastosowanie sztucznych systemów immunologicznych w zagadnieniach optymalizacji

Zastosowanie sztucznych systemów immunologicznych w zagadnieniach optymalizacji Zastosowanie sztucznych systemów immunologicznych w zagadnieniach optymalizacji 26 października 2011 Agenda Wprowadzenie 1 Wprowadzenie 2 Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu

Bardziej szczegółowo

OBLICZENIA EWOLUCYJNE

OBLICZENIA EWOLUCYJNE OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. wykład VALUE 5fitness f. value EVOLUTIONARY

Bardziej szczegółowo

METODY HEURYSTYCZNE 7

METODY HEURYSTYCZNE 7 METODY HEURYSTYCZNE wykład 7 PROJEKTOWANIE BAZ REGUŁ 2 Informacja niezbędna do zaprojektowania sterownika: numeryczna (ilościowa) z czujników pomiarowych; lingwistyczna (jakościowa) od eksperta. Stworzenie

Bardziej szczegółowo

Plan. Sztuczne systemy immunologiczne. Podstawowy słownik. Odporność swoista. Architektura systemu naturalnego. Naturalny system immunologiczny

Plan. Sztuczne systemy immunologiczne. Podstawowy słownik. Odporność swoista. Architektura systemu naturalnego. Naturalny system immunologiczny Sztuczne systemy immunologiczne Plan Naturalny system immunologiczny Systemy oparte na selekcji klonalnej Systemy oparte na modelu sieci idiotypowej 2 Podstawowy słownik Naturalny system immunologiczny

Bardziej szczegółowo

Algorytmy genetyczne. Materiały do laboratorium PSI. Studia niestacjonarne

Algorytmy 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 szczegółowo

Algorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation)

Algorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation) Algorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation) Jest to technika probabilistyczna rozwiązywania problemów obliczeniowych, które mogą zostać sprowadzone do problemu znalezienie

Bardziej szczegółowo

Algorytmy genetyczne. Materiały do laboratorium PSI. Studia stacjonarne i niestacjonarne

Algorytmy 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 szczegółowo

Problem Komiwojażera - algorytmy metaheurystyczne

Problem Komiwojażera - algorytmy metaheurystyczne Problem Komiwojażera - algorytmy metaheurystyczne algorytm mrówkowy algorytm genetyczny by Bartosz Tomeczko. All rights reserved. 2010. TSP dlaczego metaheurystyki i heurystyki? TSP Travelling Salesman

Bardziej szczegółowo

PROJEKTOWANIE BAZ REGUŁ

PROJEKTOWANIE BAZ REGUŁ METODY HEURYSTYCZNE wkład 7 PROJEKTOWANIE AZ REGUŁ Stworzenie baz wiedz dla układu rozmtego zadanie nietrwialne... Siatka Indwidualne funkcje Informacja niezbędna do zaprojektowania sterownika: numerczna

Bardziej szczegółowo

Algorytmy mrówkowe. P. Oleksyk. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne

Algorytmy mrówkowe. P. Oleksyk. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne y mrówkowe P. Oleksyk Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne 14 kwietnia 2015 1 Geneza algorytmu - biologia 2 3 4 5 6 7 8 Geneza

Bardziej szczegółowo

Algorytm genetyczny (genetic algorithm)-

Algorytm 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 szczegółowo

Sztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych. Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010

Sztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych. Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010 Sztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010 Sieci neuronowe jednokierunkowa wielowarstwowa sieć neuronowa sieci Kohonena

Bardziej szczegółowo

Metody przeszukiwania

Metody przeszukiwania Metody przeszukiwania Co to jest przeszukiwanie Przeszukiwanie polega na odnajdywaniu rozwiązania w dyskretnej przestrzeni rozwiązao. Zwykle przeszukiwanie polega na znalezieniu określonego rozwiązania

Bardziej szczegółowo

Techniki optymalizacji

Techniki 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 szczegółowo

OBLICZENIA EWOLUCYJNE

OBLICZENIA EWOLUCYJNE 1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBGenration SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. VALUE fitness f. value wykład 6 FITNESS

Bardziej szczegółowo

Algorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych

Algorytm 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 szczegółowo

Tworzenie gier na urządzenia mobilne

Tworzenie gier na urządzenia mobilne Katedra Inżynierii Wiedzy Wykład 11 O czym dzisiaj? labirynty, dużo labiryntów; automaty komórkowe; algorytmy do budowy labiryntów; algorytmy do szukania wyjścia z labiryntów; Blueprints i drzewa zachowań

Bardziej szczegółowo

Algorytmy mrówkowe. H. Bednarz. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne

Algorytmy mrówkowe. H. Bednarz. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne Algorytmy mrówkowe H. Bednarz Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne 13 kwietnia 2015 1 2 3 4 Przestrzeń poszukiwań Ograniczenia

Bardziej szczegółowo

Systemy mrówkowe. Opracowali: Dawid Strucker, Konrad Baranowski

Systemy mrówkowe. Opracowali: Dawid Strucker, Konrad Baranowski Systemy mrówkowe Opracowali: Dawid Strucker, Konrad Baranowski Wprowadzenie Algorytmy mrówkowe oparte są o zasadę inteligencji roju (ang. swarm intelligence). Służą głównie do znajdowania najkrótszej drogi

Bardziej szczegółowo

Algorytmy metaheurystyczne Wykład 6. Piotr Syga

Algorytmy metaheurystyczne Wykład 6. Piotr Syga Algorytmy metaheurystyczne Wykład 6 Piotr Syga 10.04.2017 Wprowadzenie Inspiracje Wprowadzenie ACS idea 1 Zaczynamy z pustym rozwiązaniem początkowym 2 Dzielimy problem na komponenty (przedmiot do zabrania,

Bardziej szczegółowo

Wybrane podstawowe rodzaje algorytmów

Wybrane podstawowe rodzaje algorytmów Wybrane podstawowe rodzaje algorytmów Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii informatycznych

Bardziej szczegółowo

Algorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009

Algorytmy 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 szczegółowo

Generowanie i optymalizacja harmonogramu za pomoca

Generowanie 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 szczegółowo

ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ

ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ Zalety: nie wprowadzają żadnych ograniczeń na sformułowanie problemu optymalizacyjnego. Funkcja celu może być wielowartościowa i nieciągła, obszar

Bardziej szczegółowo

Techniki optymalizacji

Techniki optymalizacji Techniki optymalizacji Metaheurystyki oparte na algorytmach lokalnego przeszukiwania Maciej Hapke maciej.hapke at put.poznan.pl GRASP Greedy Randomized Adaptive Search Procedure T.A. Feo, M.G.C. Resende,

Bardziej szczegółowo

SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO

SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania

Bardziej szczegółowo

Algorytmy genetyczne w interpolacji wielomianowej

Algorytmy genetyczne w interpolacji wielomianowej Algorytmy genetyczne w interpolacji wielomianowej (seminarium robocze) Seminarium Metod Inteligencji Obliczeniowej Warszawa 22 II 2006 mgr inż. Marcin Borkowski Plan: Przypomnienie algorytmu niszowego

Bardziej szczegółowo

Algorytmy ewolucyjne 1

Algorytmy 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 szczegółowo

Wyznaczanie strategii w grach

Wyznaczanie strategii w grach Wyznaczanie strategii w grach Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Definicja gry Teoria gier i konstruowane na jej podstawie programy stanowią jeden z głównych

Bardziej szczegółowo

Algorytmy genetyczne

Algorytmy 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 szczegółowo

Marcel Stankowski Wrocław, 23 czerwca 2009 INFORMATYKA SYSTEMÓW AUTONOMICZNYCH

Marcel Stankowski Wrocław, 23 czerwca 2009 INFORMATYKA SYSTEMÓW AUTONOMICZNYCH Marcel Stankowski Wrocław, 23 czerwca 2009 INFORMATYKA SYSTEMÓW AUTONOMICZNYCH Przeszukiwanie przestrzeni rozwiązań, szukanie na ślepo, wszerz, w głąb. Spis treści: 1. Wprowadzenie 3. str. 1.1 Krótki Wstęp

Bardziej szczegółowo

ALGORYTMY GENETYCZNE ćwiczenia

ALGORYTMY 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 szczegółowo

Heurystyki. Strategie poszukiwań

Heurystyki. Strategie poszukiwań Sztuczna inteligencja Heurystyki. Strategie poszukiwań Jacek Bartman Zakład Elektrotechniki i Informatyki Instytut Techniki Uniwersytet Rzeszowski DLACZEGO METODY PRZESZUKIWANIA? Sztuczna Inteligencja

Bardziej szczegółowo

oporność odporność oporność odporność odporność oporność

oporność odporność oporność odporność odporność oporność oporność odporność odporność nieswoista bierna - niskie ph na powierzchni skóry (mydła!) - enzymy - lizozym, pepsyna, kwas solny żołądka, peptydy o działaniu antybakteryjnym - laktoferyna- przeciwciała

Bardziej szczegółowo

Optymalizacja. Wybrane algorytmy

Optymalizacja. Wybrane algorytmy dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Andrzej Jaszkiewicz Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem

Bardziej szczegółowo

Algorytmy genetyczne

Algorytmy genetyczne Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą

Bardziej szczegółowo

Planowanie drogi robota, algorytm A*

Planowanie drogi robota, algorytm A* Planowanie drogi robota, algorytm A* Karol Sydor 13 maja 2008 Założenia Uproszczenie przestrzeni Założenia Problem planowania trasy jest bardzo złożony i trudny. W celu uproszczenia problemu przyjmujemy

Bardziej szczegółowo

Zadania laboratoryjne i projektowe - wersja β

Zadania laboratoryjne i projektowe - wersja β Zadania laboratoryjne i projektowe - wersja β 1 Laboratorium Dwa problemy do wyboru (jeden do realizacji). 1. Water Jug Problem, 2. Wieże Hanoi. Water Jug Problem Ograniczenia dla każdej z wersji: pojemniki

Bardziej szczegółowo

Obliczenia inspirowane Naturą

Obliczenia inspirowane Naturą Obliczenia inspirowane Naturą Wykład 10 - Mrówki w labiryntach Jarosław Miszczak IITiS PAN Gliwice 05/05/2016 1 / 48 Na poprzednim wykładzie 1... 2... 3... 2 / 48 1 Motywacja biologiczna Podstawowe mechanizmy

Bardziej szczegółowo

KARTA MODUŁU KSZTAŁCENIA

KARTA MODUŁU KSZTAŁCENIA KARTA MODUŁU KSZTAŁCENIA I. Informacje ogólne 1 Nazwa modułu kształcenia Sztuczna inteligencja 2 Nazwa jednostki prowadzącej moduł Instytut Informatyki, Zakład Informatyki Stosowanej 3 Kod modułu (wypełnia

Bardziej szczegółowo

Propozycje tematów zadań

Propozycje tematów zadań Propozycje tematów zadań 1. WARCABY Opracować program do gry w warcaby dla dwu graczy. Program ma umożliwiać przesuwanie kursora na zmianę po polach białych lub czarnych, wskazywanie początku końca ruchu.

Bardziej szczegółowo

Algorytmy mrówkowe. Plan. » Algorytm mrówkowy» Warianty» CVRP» Demo» Środowisko dynamiczne» Pomysł modyfikacji» Testowanie

Algorytmy mrówkowe. Plan. » Algorytm mrówkowy» Warianty» CVRP» Demo» Środowisko dynamiczne» Pomysł modyfikacji» Testowanie Algorytmy mrówkowe w środowiskach dynamicznych Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 1/51 Plan» Algorytm mrówkowy» Warianty» CVRP» Demo» Środowisko dynamiczne» Pomysł modyfikacji»

Bardziej szczegółowo

Archipelag Sztucznej Inteligencji

Archipelag Sztucznej Inteligencji Archipelag Sztucznej Inteligencji Istniejące metody sztucznej inteligencji mają ze sobą zwykle niewiele wspólnego, więc można je sobie wyobrażać jako archipelag wysp, a nie jako fragment stałego lądu.

Bardziej szczegółowo

PLAN WYKŁADU OPTYMALIZACJA GLOBALNA OPERATOR KRZYŻOWANIA ETAPY KRZYŻOWANIA

PLAN 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 szczegółowo

6. Klasyczny algorytm genetyczny. 1

6. 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 szczegółowo

Dobór parametrów algorytmu ewolucyjnego

Dobór 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 szczegółowo

Algorytmy ewolucyjne. Łukasz Przybyłek Studenckie Koło Naukowe BRAINS

Algorytmy 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 szczegółowo

Strefa pokrycia radiowego wokół stacji bazowych. Zasięg stacji bazowych Zazębianie się komórek

Strefa 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 szczegółowo

ZASTOSOWANIE ALGORYTMU GENETYCZNEGO DO KONSTRUKCJI

ZASTOSOWANIE ALGORYTMU GENETYCZNEGO DO KONSTRUKCJI ZASTOSOWANIE ALGORYTMU GENETYCZNEGO DO KONSTRUKCJI FUNKCJI OCENIAJĄCEJ W GRZE OTHELLO Tomasz Dąbrowski, Halina Kwaśnicka, Maciej Piasecki Wydziałowy Zakład Informatyki, Politechnika Wrocławska, ul. Wybrzeże

Bardziej szczegółowo

Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych

Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 9 PRZESZUKIWANIE GRAFÓW Z

Bardziej szczegółowo

3. MINIMAX. Rysunek 1: Drzewo obrazujące przebieg gry.

3. MINIMAX. Rysunek 1: Drzewo obrazujące przebieg gry. 3. MINIMAX. Bardzo wygodną strukturą danych pozwalającą reprezentować stan i przebieg gry (szczególnie gier dwuosobowych) jest drzewo. Węzły drzewa reprezentują stan gry po wykonaniu ruchu przez jednego

Bardziej szczegółowo

Algorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba

Algorytmy 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 szczegółowo

Algorytmy metaheurystyczne podsumowanie

Algorytmy metaheurystyczne podsumowanie dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Andrzej Jaszkiewicz Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem

Bardziej szczegółowo

LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE

LABORATORIUM 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 szczegółowo

Metody Rozmyte i Algorytmy Ewolucyjne

Metody Rozmyte i Algorytmy Ewolucyjne mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb

Bardziej szczegółowo

10. Wstęp do Teorii Gier

10. Wstęp do Teorii Gier 10. Wstęp do Teorii Gier Definicja Gry Matematycznej Gra matematyczna spełnia następujące warunki: a) Jest co najmniej dwóch racjonalnych graczy. b) Zbiór możliwych dezycji każdego gracza zawiera co najmniej

Bardziej szczegółowo

Zadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik

Zadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik Zadanie transportowe i problem komiwojażera Tadeusz Trzaskalik 3.. Wprowadzenie Słowa kluczowe Zbilansowane zadanie transportowe Rozwiązanie początkowe Metoda minimalnego elementu macierzy kosztów Metoda

Bardziej szczegółowo

Algorytmy Mrówkowe. Daniel Błaszkiewicz. 11 maja 2011. Instytut Informatyki Uniwersytetu Wrocławskiego

Algorytmy Mrówkowe. Daniel Błaszkiewicz. 11 maja 2011. Instytut Informatyki Uniwersytetu Wrocławskiego Algorytmy Mrówkowe Instytut Informatyki Uniwersytetu Wrocławskiego 11 maja 2011 Opis Mrówki w naturze Algorytmy to stosunkowo nowy gatunek algorytmów optymalizacyjnych stworzony przez Marco Dorigo w 1992

Bardziej szczegółowo

Rozwiązywanie problemów metodą przeszukiwania

Rozwiązywanie problemów metodą przeszukiwania Rozwiązywanie problemów metodą przeszukiwania Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Reprezentacja problemu w przestrzeni stanów Jedną z ważniejszych metod sztucznej

Bardziej szczegółowo

Lp. tydzień wykłady seminaria ćwiczenia

Lp. tydzień wykłady seminaria ćwiczenia Lp. tydzień wykłady seminaria ćwiczenia 21.02. Wprowadzeniedozag adnieńzwiązanychzi mmunologią, krótka historiaimmunologii, rozwójukładuimmun ologicznego. 19.02. 20.02. Wprowadzenie do zagadnień z immunologii.

Bardziej szczegółowo

Adam Meissner. SZTUCZNA INTELIGENCJA Gry dwuosobowe

Adam Meissner. SZTUCZNA INTELIGENCJA Gry dwuosobowe Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis SZTUCZNA INTELIGENCJA Gry dwuosobowe Literatura [1] Sterling

Bardziej szczegółowo

PODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz.i): wprowadzenie (komórki, receptory, rozwój odporności nabytej)

PODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz.i): wprowadzenie (komórki, receptory, rozwój odporności nabytej) PODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz.i): wprowadzenie (komórki, receptory, rozwój odporności nabytej) Nadzieja Drela ndrela@biol.uw.edu.pl Konspekt do wykładu

Bardziej szczegółowo

WYKORZYSTANIE ALGORYTMÓW GENETYCZNYCH I MRÓWKOWYCH W PROBLEMACH TRANSPORTOWYCH

WYKORZYSTANIE ALGORYTMÓW GENETYCZNYCH I MRÓWKOWYCH W PROBLEMACH TRANSPORTOWYCH Inżynieria Rolnicza 7(105)/2008 WYKORZYSTANIE ALGORYTMÓW GENETYCZNYCH I MRÓWKOWYCH W PROBLEMACH TRANSPORTOWYCH Justyna Zduńczuk, Wojciech Przystupa Katedra Zastosowań Matematyki, Uniwersytet Przyrodniczy

Bardziej szczegółowo

Algorytmy genetyczne w optymalizacji

Algorytmy 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 szczegółowo

Model Marczuka przebiegu infekcji.

Model Marczuka przebiegu infekcji. Model Marczuka przebiegu infekcji. Karolina Szymaniuk 27 maja 2013 Karolina Szymaniuk () Model Marczuka przebiegu infekcji. 27 maja 2013 1 / 17 Substrat Związek chemiczny, który ulega przemianie w wyniku

Bardziej szczegółowo

Aproksymacja funkcji a regresja symboliczna

Aproksymacja funkcji a regresja symboliczna Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą

Bardziej szczegółowo

Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego

Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,

Bardziej szczegółowo

Mrówka Pachycondyla apicalis

Mrówka Pachycondyla apicalis Mrówka Pachycondyla apicalis Mrówki Pachycondyla apicalis wystepują w lasach południowego Meksyku, północnej Argentyny i Kostaryki. Wystepuja zarówno w lasach wilgotnych jak i suchych. Mrówki te polują

Bardziej szczegółowo

Algorytmy ewolucyjne (3)

Algorytmy ewolucyjne (3) Algorytmy ewolucyjne (3) http://zajecia.jakubw.pl/nai KODOWANIE PERMUTACJI W pewnych zastosowaniach kodowanie binarne jest mniej naturalne, niż inne sposoby kodowania. Na przykład, w problemie komiwojażera

Bardziej szczegółowo

Wykorzystanie algorytmów mrówkowych w dynamicznym problem

Wykorzystanie algorytmów mrówkowych w dynamicznym problem Wykorzystanie algorytmów mrówkowych w dynamicznym problemie marszrutyzacji Promotor: dr inż. Aneta Poniszewska-Marańda Współpromotor: mgr inż. Łukasz Chomątek 14 czerwca 2013 Przedmiot i cele pracy dyplomowej

Bardziej szczegółowo

Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach

Algorytm 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 szczegółowo

6. Projektowanie składu chemicznego stali szybkotn cych o wymaganej twardo ci i odporno ci na p kanie

6. Projektowanie składu chemicznego stali szybkotn cych o wymaganej twardo ci i odporno ci na p kanie 6. Projektowanie składu chemicznego stali szybkotn cych o wymaganej twardo ci i odporno ci na p kanie Do projektowania składu chemicznego stali szybkotn cych, które jest zadaniem optymalizacyjnym, wykorzystano

Bardziej szczegółowo

Tworzenie gier na urządzenia mobilne

Tworzenie gier na urządzenia mobilne Katedra Inżynierii Wiedzy Teoria podejmowania decyzji w grze Gry w postaci ekstensywnej Inaczej gry w postaci drzewiastej, gry w postaci rozwiniętej; formalny opis wszystkich możliwych przebiegów gry z

Bardziej szczegółowo

Algorytmy mrówkowe (ang. Ant Colony Optimization)

Algorytmy mrówkowe (ang. Ant Colony Optimization) Algorytmy mrówkowe (ang. Ant Colony Optimization) 1. Wprowadzenie do ACO a) mrówki naturalne b) mrówki sztuczne c) literatura (kilka pozycji) 2. ACO i TSP 1. Wprowadzenie do ACO a) mrówki naturalne ślepe,

Bardziej szczegółowo

Problemy z ograniczeniami

Problemy 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 szczegółowo

Wykorzystanie algorytmów mrówkowych w dynamicznym problem

Wykorzystanie algorytmów mrówkowych w dynamicznym problem Wykorzystanie algorytmów mrówkowych w dynamicznym problemie marszrutyzacji Promotor: dr inż. Aneta Poniszewska-Marańda Współpromotor: mgr inż. Łukasz Chomątek 18 stycznia 2013 Przedmiot i cele pracy dyplomowej

Bardziej szczegółowo

Wykład 4. Droga i cykl Eulera i Hamiltona

Wykład 4. Droga i cykl Eulera i Hamiltona Wykład 4. i Hamiltona Wykład 4. i Hamiltona 1 / 35 Grafy Eulera Niech G będzie grafem spójnym. Definicja Jeżeli w grafie G istnieje zamknięta droga prosta zawierająca wszystkie krawędzie grafu, to taką

Bardziej szczegółowo

PLAN WYKŁADU OPTYMALIZACJA GLOBALNA ALGORYTM MRÓWKOWY (ANT SYSTEM) ALGORYTM MRÓWKOWY. Algorytm mrówkowy

PLAN WYKŁADU OPTYMALIZACJA GLOBALNA ALGORYTM MRÓWKOWY (ANT SYSTEM) ALGORYTM MRÓWKOWY. Algorytm mrówkowy PLAN WYKŁADU Algorytm mrówowy OPTYMALIZACJA GLOBALNA Wyład 8 dr inż. Agniesza Bołtuć (ANT SYSTEM) Inspiracja: Zachowanie mrówe podczas poszuiwania żywności, Zachowanie to polega na tym, że jeśli do żywności

Bardziej szczegółowo

GRY I ZABAWY UMYSŁOWO- LOGICZNE JAKO FORMA UPOWSZECHNIANIA KULTURY. Donata Fraś

GRY I ZABAWY UMYSŁOWO- LOGICZNE JAKO FORMA UPOWSZECHNIANIA KULTURY. Donata Fraś GRY I ZABAWY UMYSŁOWO- LOGICZNE JAKO FORMA UPOWSZECHNIANIA KULTURY Donata Fraś Gry umysłowe To gry towarzyskie, których rezultat zależy wyłącznie od świadomych decyzji podejmowanych przez partnera Wymagają:

Bardziej szczegółowo

RYNEK CIEPŁA REC 2013 OPTYMALIZACJA ROZDZIAŁU OBCIĄŻEŃ POMIĘDZY PRACUJĄCE RÓWNOLEGLE BLOKI CIEPŁOWNICZE

RYNEK CIEPŁA REC 2013 OPTYMALIZACJA ROZDZIAŁU OBCIĄŻEŃ POMIĘDZY PRACUJĄCE RÓWNOLEGLE BLOKI CIEPŁOWNICZE RYEK CIEPŁA REC 2013 OPTYMALIZACJA ROZDZIAŁU OBCIĄŻEŃ POMIĘDZY PRACUJĄCE RÓWOLEGLE BLOKI CIEPŁOWICZE Prof. dr ha. inż. Henryk Rusinowski Dr ha. inż. Marcin Szega Prof. nzw. w Pol. Śl. Mgr inż. Marcin Plis

Bardziej szczegółowo

Automatyczny dobór parametrów algorytmu genetycznego

Automatyczny dobór parametrów algorytmu genetycznego Automatyczny dobór parametrów algorytmu genetycznego Remigiusz Modrzejewski 22 grudnia 2008 Plan prezentacji Wstęp Atrakcyjność Pułapki Klasyfikacja Wstęp Atrakcyjność Pułapki Klasyfikacja Konstrukcja

Bardziej szczegółowo

Problem komiwojażera ACO. Zagadnienie optymalizacyjne, polegające na znalezieniu minimalnego cyklu Hamiltona w pełnym grafie ważonym.

Problem komiwojażera ACO. Zagadnienie optymalizacyjne, polegające na znalezieniu minimalnego cyklu Hamiltona w pełnym grafie ważonym. Problem komiwojażera ACO Zagadnienie optymalizacyjne, polegające na znalezieniu minimalnego cyklu Hamiltona w pełnym grafie ważonym. -Wikipedia Problem do rozwiązania zazwyczaj jest przedstawiany jako

Bardziej szczegółowo

Programowanie genetyczne, gra SNAKE

Programowanie genetyczne, gra SNAKE STUDENCKA PRACOWNIA ALGORYTMÓW EWOLUCYJNYCH Tomasz Kupczyk, Tomasz Urbański Programowanie genetyczne, gra SNAKE II UWr Wrocław 2009 Spis treści 1. Wstęp 3 1.1. Ogólny opis.....................................

Bardziej szczegółowo

Obliczenia Naturalne - Algorytmy immunologiczne

Obliczenia Naturalne - Algorytmy immunologiczne Literatura Podstawowe pojęcia Obliczenia Naturalne - immunologiczne Paweł Paduch Politechnika Świętokrzyska 10 kwietnia 2014 Paweł Paduch Obliczenia Naturalne - immunologiczne 1 z 44 Plan wykładu Literatura

Bardziej szczegółowo

Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD V: Agent wciąż szuka rozwiązania (choć już nie na ślepo)

Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD V: Agent wciąż szuka rozwiązania (choć już nie na ślepo) Elementy kognitywistyki II: Sztuczna inteligencja WYKŁAD V: Agent wciąż szuka rozwiązania (choć już nie na ślepo) Poprzednio: węzeł reprezentowany jest jako piątka: stan odpowiadający węzłowi rodzic węzła

Bardziej szczegółowo

METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne

METODY 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 szczegółowo

Algorytmy genetyczne jako metoda wyszukiwania wzorców. Seminarium Metod Inteligencji Obliczeniowej Warszawa 26 X 2005 mgr inż.

Algorytmy genetyczne jako metoda wyszukiwania wzorców. Seminarium Metod Inteligencji Obliczeniowej Warszawa 26 X 2005 mgr inż. Algorytmy genetyczne jako metoda wyszukiwania wzorców Seminarium Metod Inteligencji Obliczeniowej Warszawa 26 X 2005 mgr inż. Marcin Borkowski Krótko i na temat: Cel pracy Opis modyfikacji AG Zastosowania

Bardziej szczegółowo

Podejście memetyczne do problemu DCVRP - wstępne wyniki. Adam Żychowski

Podejście memetyczne do problemu DCVRP - wstępne wyniki. Adam Żychowski Podejście memetyczne do problemu DCVRP - wstępne wyniki Adam Żychowski Na podstawie prac X. S. Chen, L. Feng, Y. S. Ong A Self-Adaptive Memeplexes Robust Search Scheme for solving Stochastic Demands Vehicle

Bardziej szczegółowo

Tomasz M. Gwizdałła 2012/13

Tomasz M. Gwizdałła 2012/13 METODY METODY OPTYMALIZACJI OPTYMALIZACJI Tomasz M. Gwizdałła 2012/13 Informacje wstępne Tomasz Gwizdałła Katedra Fizyki Ciała Stałego UŁ Pomorska 149/153, p.523b tel. 6355709 tomgwizd@uni.lodz.pl http://www.wfis.uni.lodz.pl/staff/tgwizdalla

Bardziej szczegółowo

Algorytmy memetyczne (hybrydowe algorytmy ewolucyjne)

Algorytmy memetyczne (hybrydowe algorytmy ewolucyjne) Algorytmy memetyczne (hybrydowe algorytmy ewolucyjne) 1 2 Wstęp Termin zaproponowany przez Pablo Moscato (1989). Kombinacja algorytmu ewolucyjnego z algorytmem poszukiwań lokalnych, tak że algorytm poszukiwań

Bardziej szczegółowo

Drzewa spinające MST dla grafów ważonych Maksymalne drzewo spinające Drzewo Steinera. Wykład 6. Drzewa cz. II

Drzewa spinające MST dla grafów ważonych Maksymalne drzewo spinające Drzewo Steinera. Wykład 6. Drzewa cz. II Wykład 6. Drzewa cz. II 1 / 65 drzewa spinające Drzewa spinające Zliczanie drzew spinających Drzewo T nazywamy drzewem rozpinającym (spinającym) (lub dendrytem) spójnego grafu G, jeżeli jest podgrafem

Bardziej szczegółowo

Algorytmy stochastyczne, wykład 01 Podstawowy algorytm genetyczny

Algorytmy 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 szczegółowo

MODELOWANIE RZECZYWISTOŚCI

MODELOWANIE RZECZYWISTOŚCI MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN Szkoła Wyższa Psychologii Społecznej d.wojcik@nencki.gov.pl dwojcik@swps.edu.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/

Bardziej szczegółowo

w analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.

w analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych. Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(), zwaną funkcją aproksymującą

Bardziej szczegółowo

Teoria i metody optymalizacji

Teoria i metody optymalizacji II. Optymalizacja globalna Idea: generuj i testuj Do tej grupy naleŝą stochastyczne iteracyjne algorytmy przeszukiwania przestrzeni rozwiązań : metody przeszukiwania lokalnego metody przeszukiwania populacyjnego.

Bardziej szczegółowo

Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle

Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle Paweł Szołtysek 12 czerwca 2008 Streszczenie Planowanie produkcji jest jednym z problemów optymalizacji dyskretnej,

Bardziej szczegółowo

Obliczenia ewolucyjne - plan wykładu

Obliczenia ewolucyjne - plan wykładu Obliczenia ewolucyjne - plan wykładu Wprowadzenie Algorytmy genetyczne Programowanie genetyczne Programowanie ewolucyjne Strategie ewolucyjne Inne modele obliczeń ewolucyjnych Podsumowanie Ewolucja Ewolucja

Bardziej szczegółowo