ALGORYTMY MEMETYCZNE DLA PEWNEGO PROBLEMU POTOKOWEGO W BUDOWNICTWIE
|
|
- Stanisław Góra
- 5 lat temu
- Przeglądów:
Transkrypt
1 ALGORYTMY MEMETYCZNE DLA PEWNEGO PROBLEMU POTOKOWEGO W BUDOWNICTWIE Wociech BOŻEJKO, Zdzisław HEJDUCKI, Paweł RAJBA, Mieczysław WODECKI Streszczenie: System pracy potokowe w budownictwie dotyczy realizaci kompleksu obiektów składaących się z wielu ednakowych prac wykonywanych koleno przez wyspecalizowane brygady. Rozpatrywany est problem harmonogramowania proektu z niepewnymi czasami wykonywania prac reprezentowanymi przez liczby rozmyte lub rozkłady zmiennych losowych. Przedstawiamy algorytmy memetyczne (hybrydowe algorytmy genetyczne) oraz eksperymenty obliczeniowe, których celem było zbadanie stabilności wyznaczanych rozwiązań. Słowa kluczowe: problem potokowy, niepewne dane, harmonogramowanie, algorytm memetyczny. 1. Wprowadzenie System pracy potokowe w budownictwie [11, 7] est odpowiednikiem produkci taśmowe (przepływowe) w przemyśle. Dotyczy realizaci kompleksu obiektów składaących się z wielu ednakowych prac wykonywanych przez wyspecalizowane brygady. Obiektom odpowiadaą zadania, brygadą - maszyny, a pracą wykonywanym przez brygady - operace. Koleności wykonywania prac na obiekcie odpowiada porządek technologiczny. Planowanie przebiegu robót budowlanych w systemach potokowych est uzasadnione w przypadku realizaci obiektów, na których można wydzielić: działki robocze, sektory, odcinki niezależne technologicznie, t. zadania o duże pracochłonności robót, np. kompleksy przemysłowe, zespoły budynków mieszkalnych, odcinki dróg, sieci wodociągowe i kanalizacyne, itp. Poawia się wówczas problem synchronizaci w czasie i przestrzeni wielu robót budowlanych możliwych do prowadzenia równolegle i ednocześnie. Zachodzi wówczas możliwość znalezienia nalepszego harmonogramu robót uwzględniaącego ustalone kryteria optymalizaci np.: typu czas/koszt/zasoby. Są to bardzo ważne zagadnienia praktyki budowlane, maące znaczący i bezpośredni wpływ na ostateczne koszty realizaci. Prowadzi to ednak do złożonych dyskretno-ciągłych problemów optymalizacynych z niepewnymi parametrami oraz nieregularnymi funkcami celu. Przenosząc problemy harmonogramowania przedsięwzięć budowlanych w dziedzinę klasyczne teorii szeregowania zadań napotyka się na wiele trudności związanych z doborem właściwego modelu oraz odpowiedniego algorytmu. Są to zazwycza zupełnie nowe, silnie NP-trudne problemy optymalizaci kombinatoryczne. Ze względu na stosowanie nowych technik i technologi unikalność, warunki atmosferyczne i geologiczne, często nie ma możliwości ednoznacznego określenia wartości pewnych parametrów. W takich przypadkach mamy do czynienia z procesem podemowania decyzi w warunkach niepewności. Niepewność danych przekłada się bezpośrednio na wielkość ryzyka. Ponadto, w trakcie realizaci procesu może się okazać, że niektóre parametry różnią się od wstępnie przyętych ("typowych"), co przy braku 251
2 stabilności rozwiązania prowadzi do zupełnie nieprzydatnych w praktyce rozwiązań. Niepowodzenia wynikaące z bezpośredniego stosowania klasycznych algorytmów deterministycznych wskazuą na konieczność uwzględnienia niepewności uż na etapie budowy modelu oraz konstrukci samego algorytmu. Problemy podemowania decyzi w warunkach niepewności rozwiązue się stosuąc metody probabilistyki lub teorii zbiorów rozmytych. W pierwszym przypadku [3, 17] istotna est znaomość rozkładów zmiennych losowych. Niektóre procesy z natury maą charakter losowy. Zależą od pogody, natężenia ruchu, liczby wypadków, warunków geologicznych, awaryności sprzętu, itp. Jeżeli ponadto posiadaą pewną "historię", więc na bazie istnieących danych statystycznych można określić ich rozkłady. W wielu ednak zagadnieniach niepewność danych nie ma charakteru losowego, lecz wynika z powodu unikalności procesu, błędu pomiaru, itp. W tym przypadku naturalnym sposobem reprezentowania niepewności są liczby rozmyte [9,10]. Dlatego dużym problemem est właściwy dobór funkci przynależności oraz metoda dyfuzyfikaci. Maą one decyduący wpływ na akość wyznaczanych rozwiązań. Systemy pracy potokowe w budownictwie są przedmiotem zainteresowania w wielu ośrodków naukowych. Wynika to z potrzeby optymalnego zarządzania budowami wielkich obiektów inżynierynych, m. in. odcinków dróg, mostów, kompleksów budynków, obiektów przemysłowych, itp. Istniee ogromna potrzeba doskonalenia tradycynych metod harmonogramowania (uwzględniaącego np. nowe technologie, niepewność danych) i efektywnego wykorzystania nowoczesnych metod obliczeniowych. W pracy przedstawiamy idee algorytm memetycznego rozwiązywania problem harmonogramowania przedsięwzięć budowlanych realizowanych w systemie potokowym z niepewnymi czasami wykonywania prac. Porównuemy stabilność rozwiązań w przypadku, gdy niepewne dane są reprezentowane przez zmienne losowe o rozkładzie normalnym lub liczb rozmytych w trzypunktowe reprezentaci. Niektóre wyniki prowadzonych badań zostały przedstawione w pracy Bożeko, Heduck Raba, Wodecki [2] oraz Rogalska, Bożeko, Heduck Wodecki [16]. 2. Systemy potokowe w budownictwie Rozpatruemy przedsięwzięcie budowlane (w skrócie PB) polegaące na wykonaniu n obiektów ze zbioru 1 2 n O = { O, O K, O }, przez m brygad ze zbioru B = { B1, B2K, B m }. i Każdy obiekt O O est ciągiem m prac i O = [ P, P, K, P ], przy czym praca w czasie p. Prace na obiekcie 1 2 m i P ( i = 1, 2, K, n, = 1, 2, K, m) est wykonywana przez brygadę B i O O należy wykonać w zadanym porządku technologicznym, tzn. dowolna praca P ma być wykonywana po zakończeniu Pi, 1, a przed rozpoczęciem P + 1 (2 m 1). Muszą być przy tym spełnione następuące ograniczenia: (i) każda praca (na obiekcie) może być wykonywana tylko przez edną, określoną przez ciąg technologiczny brygadę, 252
3 (ii) żadna brygada nie może wykonywać ednocześnie więce niż edną pracę, (iii) na każdym obiekcie musi być zachowany porządek technologiczny, (iv) wykonywanie żadne pracy nie może być przerwane przed e zakończeniem. Niech π będzie pewną permutacą obiektów (elementów zbioru O ). Permutaca ta wyznacza koleność wykonywania poszczególnych prac na obiektach, t. brygada B B wykonue prace P π ( i), na obiekcie π ( i) O, dopiero po wykonaniu prac Pπ (1),, Pπ (2),, K, P π koleno na obiektach π (1),... π ( i 1), a przed wykonaniem Pπ ( i 1),, Pπ ( i 2),,, ( i 1), ( n), + + K P π na obiektach π ( i + 1),..., π ( n). Oznaczmy przez Φ zbiór wszystkich możliwych permutaci obiektów. Moc tego zbioru wynosi n!. Jeżeli prace na obiektach są wykonywane w koleności π Φ oraz p π ( i), est czasem wykonywania pracy P π ( i), ( i = 1, 2, K, n, = 1, 2, K, m), to moment zakończenia te pracy C π możemy wyznaczyć z następuących zależności rekurencyne: ( i), i p 1 ( ),, 1, k π i = = Cπ ( i), = Cπ ( i), 1 + pπ ( i),, i = 1, > 1, (1) max{ Cπ ( i), 1, Cπ ( i 1), } + pπ ( i),, i > 1, > 1, a moment rozpoczęcia e wykonywania S = C C. (2) π ( i), π ( i), π ( i), Można łatwo sprawdzić, że określone przez (1) i (2) momenty rozpoczęcia i zakończenia prac na obiektach spełniaą ograniczenia (i)-(iv), więc są rozwiązaniem dopuszczalnym problemu BP. Harmonogramowanie przedsięwzięcia budowlanego PB sprowadza się do wyznaczenia permutaci optymalne π Φ, dla które C π C π π Φ max ( ) = min{ max ( ) : }, gdzie Cmax ( π ) = C π ( n), m est terminem zakończenia wszystkich prac wykonywanych w koleności π. Opisany wyże model przedsięwzięcia budowlanego est znany w teorii szeregowania ako problem przepływowy (ang. flow sho). Dla m 3 należy on do klasy problemów silnie NP-trudnych ([Garey 4]). W ostatnich latach opublikowano wiele algorytmów metaheurystycznych ego rozwiązywania, tzn. symulowanego wyżarzania: Ogbu i Smith [13], Bożeko Wodecki [1] (algorytm równoległy), przeszukiwania z tabu: Nowicki i Smutnicki [12], Grabowski i Wodecki [6] oraz algorytmu genetycznego, Reeves [15]. 3. Algorytm memetyczny Stosowany przez nas algorytm memetyczny est hybrydą powstałą przez połączenie algorytmu genetycznego oraz przeszukiwania z tabu (stosowanego do wyznaczania minimów lokalnych). Po wygenerowaniu nowe populac każdy osobnik est punktem startowym dla algorytmu przeszukiwania z tabu (t. wyznaczania minimum lokalnego). Następnie, w miesce punktu startowego wstawiamy, do bieżące populac wyznaczone minimum lokalne. Reasumuąc, est to algorytm genetyczny, w którym każda populaca 253
4 zawiera osobniki będące minimami lokalnym t. przestrzeń rozwiązań dopuszczalnych tego algorytmu składa się edynie z minimów lokalnych. Poniże przedstawiamy poszczególne elementy algorytmu memetycznego. 3.1 Algorytm genetyczny Określenie algorytmy genetyczne obemue grupę metod obliczeniowych, których wspólną cechą est korzystanie, przy rozwiązywaniu danego problemu, z mechanizmu opartego na zawisku naturalne ewoluci gatunków [8]. W klasyczne postac są one bezpośrednią adaptacą tego zawiska stąd w ich opisie używa się poęć z genetyki. Działanie algorytmu genetycznego rozpoczyna się od utworzenia populaci (podzbioru zbioru rozwiązań) początkowe P 0, które liczebność est zazwycza stała przez cały czas działania algorytmu. Niech k będzie kolenym numerem iteraci algorytmu. Nowa k+1 generaca (t. zbiór P k+1 ) est tworzona w następuący sposób. Z bieżące populaci P k wybierana est pewna ilość nalepszych osobników (rodziców, podzbiór P k ) - operaca selekci. Z nich, poprzez mechanizm krzyżowania, generue się nowych osobników (potomstwo, zbiór P" k ). Na części z nich est dokonywana operaca mutac które celem est większe zróżnicowanie populaci. Tak wygenerowane potomstwo zastąpi nagorszych osobników w bieżące populaci (wymiana), tworząc w ten sposób nową generace. Algorytm zazwycza kończy działanie po wygenerowaniu z góry ustalone liczby osobników. W konstrukci algorytmu genetycznego zastosowaliśmy "naturalną", t. w postaci permutac reprezentacę koleności wykonywania zadań (rozwiązań dopuszczalnych). W tym przypadku nie można bezpośrednio stosować klasycznych operatorów krzyżowania i mutac bowiem w wyniku ich działania można otrzymać potomków nie będących permutacam a więc rozwiązaniami dopuszczalnymi. Miarą przystosowania osobników (permutaci) będzie wartość funkci celu, czyli termin zakończenia wykonywania wszystkich prac. Ponadto, stosuemy tzw. elitarną strategię ewoluci polegaącą na tym, że kolene pokolenie zawsze zawiera (pomiaąc proces selekci naturalne i reprodukci) stałą liczbę nalepie przystosowanych osobników z poprzednie populaci (rodziców). Aby ich zachować we wszystkich populacach odrzuca się pewną liczbę nagorze przystosowanych osobników potomnych z populaci P k powstałe w wyniku procesu reprodukci. Dzięki użyciu te metody gwarantue się przetrwanie nalepie przystosowanych osobników w całe historii gatunku. Klasyczny algorytm genetyczny (AG) k 0; P k Losowa Populaca; repeat Selekca(P k,p k ); Krzyżowanie(P k,p" k ); Mutaca(P" k ); P k+1 P" k ; k k + 1; until Warunek_Końca; {Wybór rodziców} {Generowanie potomstwa} {Nowa populaca} 254
5 Algorytm kończy działanie (Warunek_Końca) zazwycza po wygenerowaniu z góry określone liczby iteraci. Złożoność obliczeniowa algorytmu zależy przede wszystkim, od liczby iterac liczebności populaci oraz sposobu krzyżowania osobników. Realizaca algorytmu wymaga ustalenia wartości parametrów liczbowych oraz określenia sposobu realizaci poszczególnych operaci. W konstrukcach algorytmów, poszczególne elementy, zrealizowano w następuący sposób. Selekca Miarą przystosowania osobników (permutaci) będzie wartość funkci celu, czyli koszt permutaci. Ponadto, stosuemy tzw. elitarną strategię ewoluci polegaącą na tym, że kolene pokolenie zawsze zawiera (pomiaąc proces selekci naturalne i reprodukci) stałą liczbę (50%) nalepie przystosowanych osobników z poprzednie populaci (rodziców). Aby ich zachować we wszystkich populacach odrzuca się pewną liczbę nagorze przystosowanych osobników potomnych z populaci P k powstałe w wyniku procesu reprodukci. Krzyżowanie W literaturze opisano wiele metod krzyżowania permutaci (rodziców) generuących potomków będących także permutacami. Operator krzyżowania PMX (Partial Mapped Crossover) został opisany w pracy Goldberga [5]. Polega on na wylosowaniu dwóch liczb naturalnych (zgodnie z rozkładem ednostanym) z przedziału [1..n], które wyznaczaą podział permutaci na trzy części. Środkowe części są zamieniane tzn. środkowa część pierwszego rodzica trafia do drugiego potomka, środkowa część drugiego rodzica trafia do pierwszego potomka. Pozostałe części są kopiowane do odpowiednich potomków, przy czym, eśli kopiowana liczba burzy strukturę permutac to zamiast nie est wstawiana wartość wyznaczona przez określone przyporządkowanie. Mutaca Operaca mutaci est wykonywana zazwycza na niewielkie liczbie osobników w celu ich większego zróżnicowania. W algorytmie zastosowaliśmy operator wymiany (ang. swap) polegaący na losowym wyznaczeniu dwóch elementów w permutaci i zmianie ich miescami. Warunek końca Parametr - ustalona liczba iteraci algorytmu. Zastosowanie algorytmu genetycznego do rozwiązywania problemu przepływowego zostało między innymi opisane w pracy Bożeki i Wodeckiego [1]. 3.2 Algorytm przeszukiwania z tabu Obecnie nalepsze znane w literaturze efektywne algorytmy rozwiązywania permutacynego problemu przepływowego [12, 6] są oparte na metodzie przeszukiwania z tabu (ang. tabu search). Generalnie, polega ona na iteracynym polepszaniu bieżącego rozwiązania poprzez lokalne przeszukiwanie. Rozpoczyna się od pewnego rozwiązania początkowego (startowego π ). Następnie, generue się ego otoczenie (sąsiedztwo V π ) oraz wyznacza nalepsze rozwiązanie z tego otoczenia, które przymue się za rozwiązanie startowe w następne iteraci. Dopuszcza się możliwość zwiększania wartości funkci celu 255
6 (przy wyznaczaniu nowego rozwiązania startowego), aby w ten sposób zwiększyć szansę na osiągnięcie minimum globalnego. Takie ruchy w górę należy ednak w pewien sposób kontrolować, ponieważ w przeciwnym razie po osiągnięciu minimum lokalnego nastąpił by szybki do niego powrót. Aby zapobiec generowaniu w nowych iteracach rozwiązań niedawno rozpatrywanych (powstawaniu cykli), zapamiętue się e (ich atrybuty) na liście rozwiązań zakazanych, tzw. liście tabu LTS. Poniże zamieszczamy schemat algorytmu, w którym F est funkcą celu, π - punktem startowym, a π - wyznaczonym rozwiązaniem (minimum lokalnym). Algorytm przeszukiwania z tabu repeat Wyznaczyć otoczenie V π permutaci π; Usunąć z V π permutace zakazane przez listę LTS, uwzględniaąc kryterium aspiraci; Znaleźć permutacę δ V π taką, że: F(δ) = min{f(β): β V π }; if F(δ)<F(π) then π δ; Umieść atrybuty δ na liście LTS; π δ; until Warunek_Końca. Złożoność obliczeniowa algorytmu opartego na metodzie tabu search w duże mierze zależy od wyboru rodzau poszczególnych ego elementów, t. metody wyznaczania sąsiedztwa, rodzau elementów przechowywanych w liście tabu ak również rodzau oraz długości te listy, sposobu wyliczania wartości funkci celu oraz warunku zakończenia. Realizaca algorytmu wymaga ustalenia wartości parametrów liczbowych oraz określenia sposobu realizaci poszczególnych operaci. W konstrukcach algorytmów, poszczególne elementy, zrealizowano ustalonym sposobem. Otoczenie Otoczenie V π est generowane przez ruchy typu wstaw. Polega on na przestawieniu elementu na inną pozyce w permutaci (dokładnie est to przedstawione w pracy Grafowskiego i Wodeckiego [6]. Moc takiego otoczenia wynosi n(n-1). Lista ruchów zakazanych Zawieraąca atrybuty pewne liczby ostatnio rozpatrywanych rozwiązań (startowych). Jest skoarzona z operatorami modyfikaci rozstrzygaącym w aki sposób dodaemy nowe oraz usuwamy istnieące atrybuty rozwiązań. Jeżeli z otoczenia V π wybieramy permutacę β powstałą z π przez przestawienie elementu π ( i) na pozycę, to na listę zapisuemy trókę ( π ( i),, C ( β ) ). Z kole gdy rozpatruemy permutacę δ powstałą z π przez max przestawienie elementu π ( k) na pozycę l, a na liście est tróka ( a, b, F ) taka, że π ( k) = a, l = b oraz C ( δ ) max F, wówczas permutacę δ pomiamy. Kryterium aspiraci Są to warunk przy których można pominąć ograniczenia wprowadzone przez listę tabu. Jeżeli atrybuty pewnego rozwiązania z otoczenia V π są na liścia tabu, a ego wartość 256
7 funkci celu est mniesza od wartości rozwiązania π, wówczas nie odrzucamy takiego rozwiązania. Warunek końca Parametr - ustalona liczba iteraci algorytmu. Przy implementaci algorytmu wykorzystano uproszczoną wersę przeszukiwania z tabu, zamieszczoną w pracy Grabowskiego i Wodeckiego [6]. Celem przyśpieszenia obliczeń zastosowano edynie własności eliminacyne bloków z drogi krytyczne. Ogólny schemat algorytmu memetycznego (hybrydowego algorytmu genetycznego), który stosowano do rozwiązywania problemu przepływowego można przedstawić następuąco: Algorytm memetyczny (AM) k 0; P k Losowa_Populaca; repeat Selekca(P k,p k ); Krzyżowanie(P k,p" k ); Lokalna_Optymalizaca(P" k, P k+1 P k ; k k + 1; until Warunek_Końca; P ); k {Wybór rodziców} {Generowanie potomstwa} {Algorytm przeszukiwania z tabu} {Nowa populaca} W stosunku do klasycznego algorytmu genetycznego, pominięto operator mutaci. Na podstawie przeprowadzonych eksperymentów obliczeniowych stwierdzono, że lokalna optymalizaca dae wystarczaące zróżnicowanie populaci. 4. System potokowy z niepewnymi parametrami Dla wielu robót budowlanych istnieą duże trudności w ednoznacznym określeniu pewnych parametrów. Niepewność zazwycza wiąże się z unikalnością proces lub ego zależnością od zawisk losowych. W pracy rozpatruemy problem, w którym niepewne są czasy wykonywania prac p ( i = 1,2,..., n, = 1,2,..., m ). W praktyce niepewność ta może wynikać z losowości (np. pogoda, frekwenca pracowników, awaryność maszyn, itp.) lub niemożności ednoznacznego określenia wartości (unikalność, brak norm, itp.) Rozkłady prawdopodobieństwa Zakładamy, że czasy wykonywania poszczególnych prac są niezależnymi zmiennymi losowymi o rozkładzie normalnym, czyli p% N( p, σ ). Wartość oczekiwana E( p% ) = p. Wówczas, macierz zmiennych losowych p% = [ p % ] n m nazywamy danymi probabilistycznym a problem - probabilistycznym (w skrócie PBP). Niech π Φ będzie pewną kolenością wykonywania prac na obiektach. Dla uproszczenia obliczeń przymuemy, że momenty zakończenia poszczególnych prac maą wówczas także rozkład normalny 257
8 gdzie C% N( C, α C ), (2) π ( i), π ( i), π ( i),, = 1, i 2 p k = 1 π ( i), (2) 2 2 π ( i), π ( i), 1 π ( i), π ( i), 1 π ( i 1), π ( i), C = C + p, i = 1, > 1, max{ C, C } + p, i > 1, > 1, a parametr α est wyznaczany eksperymentalnie. Po wykonaniu wstępnych obliczeń przyęto α = 0, 25. W tym przypadku ako kryterium porównawcze (aspiraci) rozwiązań będziemy stosowali funkcę (2) FP( π ) = E( C % ) + D( C % ) = C + α C, (4) π ( n), m π ( n), m π ( n), m π ( n), m która est sumą wartości oczekiwane i odchylenia standardowego zmienne losowe reprezentuące termin zakończenia całego przedsięwzięcia. Algorytm memetyczny, w którym będzie stosowana funkca (4) nazywamy probabilistycznym i oznaczamy w skrócie przez PAM Liczby rozmyte Niepewne czasy wykonywania prac będą reprezentowane przez trzypunktowe liczby min med max pˆ = ( p, p, p ), gdzie p p p dla ( i = 1, 2, K, n, = 1,2, K, m). min med max rozmyte Wówczas termin wykonywania wszystkich prac (w koleności π ) est także trzypunktową liczbą rozmytą ˆ min med max C ( π ) = ( C, C, C ), max π ( n), m π ( n), m π ( n), m min med max gdzie Cπ ( n), m, Cπ ( n), m, Cπ ( n), m wyznacza się z zależności rekurencynych odpowiadaących (1). Szczegółowe rozważania przedstawiono w pracy [2]. Dla porównywania rozmytych wartości funkci celu została zastosowana tzw. słaba reguła porównania: 1 min med med max FN( π )) = ( Cπ ( n), m + Cπ ( n), m + Cπ ( n), m + Cπ ( n), m ). (5) 4 Algorytm memetyczny, w którym będzie stosowana funkca (5) nazywamy rozmytym i oznaczamy w skrócie przez RAM. 5. Eksperymenty obliczeniowe Przedstawione w pracy algorytmy zostały zaprogramowane w ęzyku C++. Eksperymenty obliczeniowe wykonano na komputerze osobistym z procesorem 2.2GHz. Dane deterministyczne Dane deterministyczne pobrano z pliku zamieszczonego na stronie internetowe OR Library [14]. Każda z sześciu grup danych o rozmiarach ( n m) : 20 5, 20 10, 20 20, 50 5, 50 10, zawiera po 10 przykładów. W sumie, est to 60 przykładów. Zbiór tych przykładów oznaczamy przez Ω. Celem eksperymentów było zbadanie stabilności algorytmów (deterministycznego AM, probabilistycznego PAM oraz rozmytego RAM), t. wpływy zburzenie czasów wykonywania prac na wartości funkci celu. Dane zaburzone 258
9 (deterministyczne) generowano w następuący sposób. Dla każdego przykładu danych deterministycznych δ Ω wygenerowano 100 przykładów danych zaburzonych (elementy zbioru D( δ )). Zaburzenie czasu p ( i = 1,2,..., n, = 1,2,..., m) polega na zastąpieniu go nową wartością wylosowaną zgodnie z rozkładem normalnym N ( p, p / 10). W sumie wyznaczono w ten sposób 6000 przykładów danych zaburzonych. Dane probabilistyczne Niech δ = [ p i, ] nxm będzie przykładem danych deterministycznych. Przyęto, że niepewne czasy wykonywania prac są niezależnymi zmiennymi losowymi o rozkładzie normalnym, t. p% N( p, σ ), przy czym odchylenie standardowe σ = p / 30. Dane rozmyte Do każdego przykładu danych deterministycznych δ = [ p i, ] nxm, niepewne czasy wykonywania prac p ˆ, i = 1,2,..., n, = 1, 2,..., m są reprezentowane przez tzw. min med max trzypunktową liczbę rozmytą ( p, p, p ), gdzie p med = p, 5.1. Stabilność algorytmu min p = p pi, / 6 oraz max p = p + p / 3. Stabilność est pewną miarą umożliwiaącą oszacowanie wpływu zaburzeń danych na zmiany wartości funkci celu. Niech A={AM, PAM, RAM}. Algorytmy AM, PAM i RAM są odpowiednio: deterministycznym, probabilistycznym i rozmytym. Przez π A δ oznaczamy rozwiązanie (permutacę) wyznaczoną przez algorytm A dla danych δ. A Wartość wyrażenia W ( π, ϕ) est wartością funkci celu dla przykładu danych δ deterministycznych ϕ, gdy obiekty są wykonywane w koleności (permutaci) w koleności wyznaczone przez algorytm A dla danych δ ). Wówczas A AM 1 W ( π δ, ϕ) W ( πϕ, ϕ) ( A, δ, D( δ )) = 100%, AM D( δ ) W ( π, ϕ) nazywamy stabilnością rozwiązania ϕ D( δ ) ϕ π A δ i i π A ϕ (t. wyznaczonego przez algorytm A na zbiorze danych zaburzonych D( δ ). Wyznaczaąc π TS ϕ, za rozwiązanie startowe algorytmu TS przyęto π A A TS i wówczas W ( π, ϕ) W ( π, ϕ) 0. Stąd ( A, δ, D( δ )) 0. Wartość ϕ δ wyrażenia ( A, δ, D( δ )) est średnim błędem względnym nalepszego rozwiązania π A δ do nalepszych rozwiązań wyznaczonych, dla każdego przykładu danych zaburzonych ϕ D( δ ). Niech Ω będzie pewnym zbiorem przykładów deterministycznych dla problemu PB. Współczynnik stabilności algorytmu A na zbiorze Ω definiuemy następuąco: 1 S( A,Ω ) = ( A, δ, D( δ )). (8) Ω δ Ω ϕ Im ten współczynnik est mnieszy, tym wyznaczone przez algorytm A rozwiązania są 259
10 stabilniesze, t. niewielkie zmiany wartości danych powoduą niewielkie zmiany wartości funkci celu Wyniki obliczeniowe Przy uruchomianiu każdego algorytmu przyęto następuące wartości parametrów: 1. Algorytm memetyczny: liczebność populaci: n / 2, populacę startową generowano losowo, liczba iteraci algorytmu: 3 n / Algorytm przeszukiwania z tabu: długość listy tabu: n / 2, liczba iteraci algorytmu: n. W pierwsze koleności zbadano akość wyznaczonych przez algorytmy rozwiązań. W tym celu, dla każdego rozwiązania przykładu danych deterministycznych wyznaczonego przez algorytm A={AM, PAM, RAM} obliczono procentowy błąd względny WA W ε ( A) = 100% W gdzie W A est wartością rozwiązania wyznaczonego przez algorytm A, a W nalepszą obecnie znana wartością rozwiązania (optymalną lub przybliżoną). Średni błąd względny (dla każde grupy danych) przedstawiono w Tabeli 1. Zgodnie z oczekiwaniam nalepszy okazał się algorytm memetyczny AM (błąd ε ( A) = 5,8% ). Dla nalepszych obecnie algorytmów metaheurystycznych błąd ten nie przekracza 0,5%. Dla każdego z algorytmów wyznaczono także współczynnik stabilności. Otrzymane wyniki zamieszczono w Tabeli 1. Czas obliczeń ednego przykłady, przez każdy z trzech opisanych algorytmów, nie przekracza kilkunastu sekund. Tab. 1. Średni błąd względny ε ( A) oraz stabilność S( A, Ω ) algorytmów: memetycznego AM, probabilistycznego PAM oraz rozmytego RAM. Dane n m Średni błąd względny ε ( A) Algorytm Współczynnik stabilności S( A,Ω ) AM PAM RAM AM PAM RAM ,8 3,4 6,6 16,1 6,8 8, ,7 10,6 11,3 17,8 5,4 11, ,5 9,9 13,0 21,3 6,1 7, ,8 8,7 10,4 13,4 8,3 8, ,3 9,1 9,8 15,7 7,4 12, ,1 10,2 14,2 15,1 9,2 9,1 Średnia 5,7 8,6 11,0 16,6 7,2 9,5 260
11 Na podstawie przedstawionych wyników można stwierdzić, że rozwiązania wyznaczone przez algorytm probabilistyczny PAM są w o wiele mnieszym stopniu podatne na zmiany danych weściowych niż rozwiązanie wyznaczone przez algorytm deterministyczny AM lub rozmyty RAM. Po zaburzeniu danych, średnio wyniki są gorsze o 7,2% od nalepszych (suboptymalnych) wartości. Namnie odporne na losowe zaburzenia danych są rozwiązania algorytmu deterministycznego AM. Średnie pogorszenie wyników wynosi 16,6%. 6. Podsumowanie W pracy zaprezentowano popularną obecnie metodę metaheurystyczną stosowaną do rozwiązywania NP-trudnych problemów optymalizacynych - metodę algorytmu memetycznego. Mnogość zastosowań algorytmu genetycznego w różnych dziedzinach potwierdza e szczególną łatwość adaptaci do nowych warunków i problemów. Jednakże duży wpływ na skuteczność te metody, dla konkretnego problemu, ma sposób zaproektowania i wykorzystania e poszczególnych elementów. Uzyskane wyniki obliczeniowe pokazuą przewagę wersi probabilistyczne algorytmu (z czasami wykonywania prac o rozkładzie normalnym), gdy dane są niepewne. Wykorzystanie elementów probabilistyki oraz teorii zbiorów rozmytych w adaptacach metod metaheurystycznych pozwoliło na rozszerzenie zakresu zastosowania tych metod na przypadek, gdy informaca o danych weściowych est nieokreślona lub nieednoznaczna. Otwiera to nowe horyzonty w poszukiwaniach metod rozwiązywania dla wielu trudnych praktycznych problemów optymalizacynych i z pewnością pozwoli na konstruowanie w przyszłość coraz lepszych algorytmów. Dodatkowe informace Praca częściowo finansowana z proektu badawczego MNiSW Nr N N Literatura 1. Bożeko W., Wodecki M.: Parallel genetic algorithm for the flow shop scheduling problem. Lecture Notes in Computer Science, 3019, Springer Verlag, 2004, Bożeko W., Heducki Z., Raba P., Wodecki M.: Proect management In building process with uncertain tasks Times. Management and Production Engineering Review, vol.2, 2011, Dean B.C.: Approximation algorithms for stochastic scheduling problems. PhD thesis, MIT, Garey M.R., D.S. Johnson, Seti R.: The complexity of flowshop and obshop scheduling. Mathematics of Operations Research, 1, 1976, Goldberg D.E., Genetic Algorithms, Search, Optimization and Machine Learning. Addison-Wesley, Grabowski J., Wodecki M.: A very fast tabu search algorithm for the permutation flow shop problem with makespan criterion. Computers & Operations Research, 31, 2004, Heducki Z.: Sprzężenia czasowe w metodach organizaci złożonych procesów budowlanych. Wydawnictwo Politechniki Wrocławskie, Holland J.: Adaptation in natural and artificial systems. Univ. of Michigan Press, Ann Arbor, MI,
12 9. Ishibuschi H., Murata T.: Scheduling with Fuzzy Duedate and Fuzzy Processing Time, [in:] Scheduling Under Fuzziness, R.Słowiński and M.Hapke (eds), Springer-Verlag, 2000, Ishii H.: Fuzzy combinatorial optimization. Japanese Journal of Fuzzy Theory and Systems, vol. 4, no. 1, Mrozowicz J.: Metody organizaci procesów budowlanych uwzględniaące sprzężenia czasowe. Dolnośląskie Wydawnictwo Edukacyne, Wrocław, Nowicki E., Smutnicki C.: A fast tabu search algorithm for the permutation flow-shop problem. European Journal of Operational Research, 91, 1996, Ogbu F., Smith D.: The Application of the Simulated Annealing Algorithm to the Solution of the n/m/cmax Flowshop Problem. Computers & Operations Research, 17/3, 1990, OR Library Reeves C.: A Genetic Algorithm for Flowshop Sequencing. Computers & Operations Research, 22/1, 1995, Rogalska M., Bożeko W., Haducki Z., Wodecki M.:, Harmonogramowanie robót budowlanych z zastosowaniem algorytmu tabu search z rozmytymi czasami wykonywania zadań. Przegląd Budowlany, Nr 7-8, 2009, Vondrák J.: Probabilistic methods in combinatorial and stochastic optimization, PhD, MIT, Dr hab. Wociech BOŻEJKO Instytut Informatyki Automatyki i Robotyki Politechnika Wrocławska ul. Janiszewskiego 11/17, Wrocław wbo@ict.pwr.wroc.pl Dr hab. Zdzisław HAJDUCKI Instytut Budownictwa Politechnika Wrocławska Pl. Grunwaldzki 11 zdzislaw.heducki@ict.pwr.wroc.pl Mgr Paweł RAJBA Dr hab. Mieczysław WODECKI Instytut Informatyki Uniwersytet Wrocławski ul.joliot-curie Wrocław pawel.raba@ii.uni.wroc.pl mwd@ii.uni.wroc.pl 262
OPTYMALIZACJA STRUKTUR ELEKTROENERGETYCZNYCH SIECI PROMIENIOWYCH Z WYKORZYSTANIEM ALGORYTMÓW SZTUCZNEJ INTELIGENCJI
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 70 Electrical Engineering 2012 Wociech BĄCHOREK* Janusz BROŻEK* OPTYMALIZACJA STRUKTUR ELEKTROENERGETYCZNYCH SIECI PROMIENIOWYCH Z WYKORZYSTANIEM
Bardziej szczegółowoPoszukiwanie optymalnego wyrównania harmonogramu zatrudnienia metodą analityczną
Mieczysław POŁOŃSKI Wydział Budownictwa i Inżynierii Środowiska, Szkoła Główna Gospodarstwa Wieskiego, Warszawa, ul. Nowoursynowska 159 e-mail: mieczyslaw_polonski@sggw.pl Poszukiwanie optymalnego wyrównania
Bardziej szczegółowoHARMONOGRAMOWANIE ROBÓT BUDOWLANYCH Z MINIMALIZACJĄ ŚREDNIEGO POZIOMU ZATRUDNIENIA
HARMONOGRAMOWANIE ROBÓT BUDOWLANYCH Z MINIMALIZACJĄ ŚREDNIEGO POZIOMU ZATRUDNIENIA Wojciech BOśEJKO, Zdzisław HEJDUCKI, Michał PODOLSKI, Mariusz UCHROŃSKI Streszczenie: w pracy proponujemy zastosowanie
Bardziej szczegółowoSystem wspomagania harmonogramowania przedsięwzięć budowlanych
System wspomagania harmonogramowania przedsięwzięć budowlanych Wojciech Bożejko 1 Zdzisław Hejducki 2 Mariusz Uchroński 1 Mieczysław Wodecki 3 1 Instytut Informatyki, Automatyki i Robotyki Politechnika
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 szczegółowoPROBLEM PRZEPŁYWOWY Z PRZEZBROJENIAMI ORAZ CIĄGŁĄ PRACĄ MASZYN Wojciech BOŻEJKO, Radosław IDZIKOWSKI, Mieczysław WODECKI
PROBLEM PRZEPŁYWOWY Z PRZEZBROJENIAMI ORAZ CIĄGŁĄ PRACĄ MASZYN Wojciech BOŻEJKO, Radosław IDZIKOWSKI, Mieczysław WODECKI Streszczenie W pracy rozpatrujemy problem przepływowy z przezbrojeniami maszyn pomiędzy
Bardziej szczegółowoMetody optymalizacji dyskretnej
Metody optymalizacji dyskretnej Spis treści Spis treści Metody optymalizacji dyskretnej...1 1 Wstęp...5 2 Metody optymalizacji dyskretnej...6 2.1 Metody dokładne...6 2.2 Metody przybliżone...6 2.2.1 Poszukiwanie
Bardziej szczegółowoOPERACJE WIELOMASZYNOWE Z NIERÓWNOCZESNYM UśYCIEM MASZYN W PROBLEMIE GNIAZDOWYM
OPERACJE WIELOMASZYNOWE Z NIERÓWNOCZESNYM UśYCIEM MASZYN W PROBLEMIE GNIAZDOWYM Mariusz MAKUCHOWSKI, Eugeniusz NOWICKI Streszczenie: W pracy rozwaŝa się problem gniazdowy, w którym operace wchodzące w
Bardziej szczegółowoSZACOWANIE MEDIANY PRZY UŻYCIU DOKŁADNEJ METODY BOOTSTRAPOWEJ
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XV/3, 2014, str. 111 121 SZACOWANIE MEDIANY PRZY UŻYCIU DOKŁADNEJ METODY BOOTSTRAPOWEJ Joanna Kisielińska Wydział Nauk Ekonomicznych Szkoła Główna Gospodarstwa
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 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 szczegółowoMatematyka ubezpieczeń majątkowych r.
Zadanie. Niech łączna wartość szkód: Ma złożony rozkład Poissona. Momenty rozkładu wartości poedyncze szkody wynoszą:, [ ]. Wiemy także, że momenty nadwyżki wartości poedyncze szkody ponad udział własny
Bardziej szczegółowowiedzy Sieci neuronowe (c.d.)
Metody detekci uszkodzeń oparte na wiedzy Sieci neuronowe (c.d.) Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 8 Metody detekci uszkodzeń oparte na wiedzy Wprowadzenie
Bardziej szczegółowoOptymalizacja harmonogramów budowlanych - szeregowanie zadań. Mgr inż. Aleksandra Radziejowska AGH Akademia Górniczo-Hutnicza w Krakowie
Optymalizacja harmonogramów budowlanych - szeregowanie zadań Mgr inż. Aleksandra Radziejowska AGH Akademia Górniczo-Hutnicza w Krakowie Opis zagadnienia Zadania dotyczące szeregowania zadań należą do szerokiej
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X.
STATYSTYKA MATEMATYCZNA WYKŁAD 4 WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. Wysuwamy hipotezy: zerową (podstawową H ( θ = θ i alternatywną H, która ma jedną z
Bardziej szczegółowoZarządzanie zasobami w harmonogramowaniu wieloobiektowych przedsięwzięć budowlanych z wykorzystaniem teorii szeregowania zadań
Zarządzanie zasobami w harmonogramowaniu wieloobiektowych przedsięwzięć budowlanych z wykorzystaniem teorii szeregowania zadań 42 Dr inż Michał Podolski Politechnika Wrocławska 1 Wprowadzenie Harmonogramowanie
Bardziej szczegółowoSYSTEM WSPOMAGANIA HARMONOGRAMOWANIA PRZEDSIĘWZIĘĆ BUDOWLANYCH
SYSTEM WSPOMAGANIA HARMONOGRAMOWANIA PRZEDSIĘWZIĘĆ BUDOWLANYCH Wojciech BOŻEJKO, Zdzisław HEJDUCKI, Mariusz UCHROŃSKI, Mieczysław WODECKI Streszczenie: W pracy przedstawiamy system wspomagający harmonogramowanie
Bardziej szczegółowoStrategie ewolucyjne (ang. evolu4on strategies)
Strategie ewolucyjne (ang. evolu4on strategies) Strategia ewolucyjna (1+1) W Strategii Ewolucyjnej(1 + 1), populacja złożona z jednego osobnika generuje jednego potomka. Kolejne (jednoelementowe) populacje
Bardziej szczegółowo(Dantzig G. B. (1963))
(Dantzig G.. (1963)) Uniwersalna metoda numeryczna dla rozwiązywania zadań PL. Ideą metody est uporządkowany przegląd skończone ilości rozwiązań bazowych układu ograniczeń, które możemy utożsamiać, w przypadku
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoNOWE WARIANTY OPERATORÓW GENETYCZNYCH DLA PROBLEMÓW Z KRYTERIUM SUMACYJNYM
NOWE WARIANTY OPERATORÓW GENETYCZNYCH DLA PROBLEMÓW Z KRYTERIUM SUMACYJNYM Mariusz MAKUCHOWSKI Streszczenie: W pracy analizuje się własności sumacyjnego kryterium w permutacyjnym problemie przepływowym.
Bardziej szczegółowoPodejście 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 szczegółowoHARMONOGRAMOWANIE PRZEDSIĘWZIĘĆ BUDOWLANYCH Z ZASTOSOWANIEM ALGORYTMÓW METAHEURYSTYCZNYCH
ZESZYTY NAUKOWE WSOWL Nr 4 (166) 2012 HARMONOGRAMOWANIE PRZEDSIĘWZIĘĆ BUDOWLANYCH Z ZASTOSOWANIEM ALGORYTMÓW METAHEURYSTYCZNYCH Zdzisław HEJDUCKI, Michał PODOLSKI Instytut Budownictwa, Politechnika Wrocławska
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 szczegółowoMetody Programowania
POLITECHNIKA KRAKOWSKA - WIEiK KATEDRA AUTOMATYKI i TECHNIK INFORMACYJNYCH Metody Programowania www.pk.edu.pl/~zk/mp_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 8: Wyszukiwanie
Bardziej 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 szczegółowoNIETYPOWE WŁASNOŚCI PERMUTACYJNEGO PROBLEMU PRZEPŁYWOWEGO Z OGRANICZENIEM BEZ PRZESTOJÓW
NIETYPOWE WŁASNOŚCI PERMUTACYJNEGO PROBLEMU PRZEPŁYWOWEGO Z OGRANICZENIEM BEZ PRZESTOJÓW Mariusz MAKUCHOWSKI Streszczenie: W pracy rozważa się permutacyjny problem przepływowy z kryterium będącym momentem
Bardziej szczegółowoAUTOMATYZACJA PROCESÓW DYSKRETNYCH 2016
AUTOMATYZACJA PROCESÓW DYSKRETNYCH 2016 Adam PRUS, Krzysztof PIEŃKOSZ Politechnika Warszawska SZEREGOWANIE ZADAŃ CZĘŚCIOWO PODZIELNYCH NA PROCESORACH RÓWNOLEGŁYCH Streszczenie. W pracy jest rozpatrywany
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 szczegółowo6. ANALIZA POST-OPTYMALIZACYJNA analiza wrażliwości rozwiązania optymalnego
6. ANALIZA POST-OPTYMALIZACYJNA analiza wrażliwości rozwiązania optymalnego Analiza wrażliwości est studium analizy wpływu zmian wartości różnych parametrów modelu PL na rozwiązanie optymalne. Na optymalne
Bardziej szczegółowoNowe warianty operatorów genetycznych dla problemów z kryterium sumacyjnym
Nowe warianty operatorów genetycznych dla problemów z kryterium sumacyjnym Mariusz MAKUCHOWSKI Politechnika Wrocławska, Instytut Informatyki, Automatyki i Robotyki 50-370 Wrocław, Wybrzeże Wyspiańskiego
Bardziej szczegółowoHEURYSTYCZNY ALGORYTM SZEREGOWANIA ZADAŃ W SYSTEMIE MASZYN RÓWNOLEGŁYCH Z KRYTERIUM MINIMALNO-CZASOWYM
EURYSTYCZNY ALGORYTM SZEREGOWANIA ZADAŃ W SYSTEMIE MASZYN RÓWNOLEGŁYC Z KRYTERIUM MINIMALNO-CZASOWYM Zbigniew BUCALSKI Streszczenie: Artykuł dotyczy zagadnienia czasowo-optymalnego przydziału zasobu podzielnego
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 szczegółowoOptymalizacja. Przeszukiwanie tabu
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Maciej Hapke Naturalny sposób powstania algorytmu Algorytm optymalizacji lokalnej Niezdolność wyjścia z lokalnych
Bardziej szczegółowoRównoległy algorytm wyznaczania bloków dla cyklicznego problemu przepływowego z przezbrojeniami
Równoległy algorytm wyznaczania bloków dla cyklicznego problemu przepływowego z przezbrojeniami dr inż. Mariusz Uchroński Wrocławskie Centrum Sieciowo-Superkomputerowe Agenda Cykliczny problem przepływowy
Bardziej szczegółowoXL Sympozjon "Modelowanie w mechanice" NOWE FUNKCJE INKLUZYJNE W ALGORYTMIE PRZEDZIAŁOWEJ OPTYMALIZACJI GLOBALNEJ
XL Sympozon "Modelowanie w mecanice" NOWE FUNKCJE INKLUZYJNE W ALGORYTMIE PRZEDZIAŁOWEJ OPTYMALIZACJI GLOBALNEJ Andrze Pownuk Politecnika Śląska Wydział Budownictwa Zakład Mecaniki Teoretyczne Przegląd
Bardziej szczegółowoHarmonogramowanie robót budowlanych z zastosowaniem algorytmu Tabu Search z rozmytymi czasami wykonania zada
Harmonogramowanie robót budowlanych z zastosowaniem algorytmu Tabu Search z rozmytymi czasami wyonania zada 76 Dr in. Magdalena Rogalsa, Politechnia Lubelsa, dr in. Wociech Bo eo, dr hab. in. Zdzis aw
Bardziej szczegółowoPolitechnika Wrocławska Wydział Elektroniki INFORMATYKA SYSTEMÓW AUTONOMICZNYCH. Heurystyka, co to jest, potencjalne zastosowania
Politechnika Wrocławska Wydział Elektroniki INFORMATYKA SYSTEMÓW AUTONOMICZNYCH Autor: Łukasz Patyra indeks: 133325 Prowadzący zajęcia: dr inż. Marek Piasecki Ocena pracy: Wrocław 2007 Spis treści 1 Wstęp
Bardziej szczegółowoSCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO
SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania
Bardziej szczegółowoPROCEDURY GENEROWANIA HARMONOGRAMU DLA PROBLEMU MAKSYMALIZACJI ZDYSKONTOWANYCH PRZEPŁYWÓW PIENIĘŻNYCH DLA PROJEKTU ROZLICZANEGO ETAPOWO 1
PROCEDURY GENEROWANIA HARMONOGRAMU DLA PROBLEMU MAKSYMALIZACJI ZDYSKONTOWANYCH PRZEPŁYWÓW PIENIĘŻNYCH DLA PROJEKTU ROZLICZANEGO ETAPOWO 1 Marcin KLIMEK, Piotr ŁEBKOWSKI Streszczenie: Harmonogramowanie
Bardziej szczegółowoPROBLEMY HAROMONOGRAMOWANIA PRODUKCJI
Łukasz Sobaszek, mgr inż. Wydział Mechaniczny, Politechnika Lubelska PROBLEMY HAROMONOGRAMOWANIA PRODUKCJI Artykuł zawiera informacje dotyczące procesu harmonogramowania produkcji, problemów występujących
Bardziej szczegółowoHEURYSTYCZNY ALGORYTM OPTYMALIZACJI PARAMETRYCZNEJ DEDYKOWANY PROBLEMOM WIELOWYMIAROWYM
STUDIA INFORMATICA 2007 Volume 28 Number (70) Dariusz R. AUGUSTYN, Łukasz WYCIŚLIK Politechnika Śląska, Instytut Informatyki HEURYSTYCZNY ALGORYTM OPTYMALIZACJI PARAMETRYCZNEJ DEDYKOWANY PROBLEMOM WIELOWYMIAROWYM
Bardziej szczegółowoLINIOWY MODEL OPTYMALIZACJI CZASOWO-KOSZTOWEJ PLANOWANIA REALIZACJI INWESTYCJI WIELOOBIEKTOWYCH
acta_architectura.sggw.pl ARTYKUŁ NAUKOWY Acta Sci. Pol. Architectura 16 (2) 2017, 3 12 ISSN 1644-0633 DOI: 10.22630/ASPA.2017.16.2.01 Otrzymano: 31.01.2017 Zaakceptowano: 12.04.2017 LINIOWY MODEL OPTYMALIZACJI
Bardziej szczegółowoOptymalizacja. Symulowane wyżarzanie
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Maciej Hapke Wyżarzanie wzrost temperatury gorącej kąpieli do takiej wartości, w której ciało stałe topnieje powolne
Bardziej szczegółowoAproksymacja 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 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 szczegółowoZadania laboratoryjne i projektowe - wersja β
Zadania laboratoryjne i projektowe - wersja β 1 Laboratorium Dwa problemy do wyboru (jeden do realizacji). 1. Water Jug Problem, 2. Wieże Hanoi. Water Jug Problem Ograniczenia dla każdej z wersji: pojemniki
Bardziej szczegółowoALGORYTM PERTURBACYJNY DLA PROBLEMU PRZEPŁYWOWEGO
ALGORYTM PERTURBACYJNY DLA PROBLEMU PRZEPŁYWOWEGO Mariusz MAKUCHOWSKI Streszczenie: Proponowany w tej pracy algorytm perturbacyjny PNEH (dedykowany permutacyjnemu problemowi przepływowemu) pozwala na dostarczanie
Bardziej szczegółowoHARMONOGRAMOWANIE PRACY BRYGAD REALIZUJĄCYCH BUDOWLANE PROCESY POWTARZALNE
ZESZYTY NAUKOWE WSOWL Nr () 0 ISSN - DOI: 0.0/. HARMONOGRAMOWANIE PRACY BRYGAD REALIZUJĄCYCH BUDOWLANE PROCESY POWTARZALNE Piotr JAŚKOWSKI, Sławomir BIRUK Wydział Budownictwa i Architektury, Politechnika
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 szczegółowoNumeryczne modelowanie ustalonego pola temperatury
Zakład Aerodynamiki i ermodynamik Instytut echniki Lotnicze, Wydział Mechatroniki Woskowa Akademia echniczna Numeryczne modelowanie ustalonego pola temperatury Piotr Koniorczyk Mateusz Zieliński Warszawa
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Symulowane wyżarzanie Maciej Hapke maciej.hapke at put.poznan.pl Wyżarzanie wzrost temperatury gorącej kąpieli do takiej wartości, w której ciało stałe topnieje powolne zmniejszanie
Bardziej szczegółowoRÓWNOLEGŁY ALGORYTM POSZUKIWANIA Z ZABRONIENIAMI UKŁADANIA PLANU ZAJĘĆ
RÓWNOLEGŁY ALGORYTM POSZUKIWANIA Z ZABRONIENIAMI UKŁADANIA PLANU ZAJĘĆ Wojciech BOŻEJKO, Łukasz GNIEWKOWSKI Streszczenie: Praca dotyczy zastosowania równoległego algorytmu poszukiwania z zabronieniami
Bardziej szczegółowoALGORYTM PERTURBACYJNY DLA PROBLEMU PRZEPŁYWOWEGO
ALGORYTM PERTURBACYJNY DLA PROBLEMU PRZEPŁYWOWEGO Mariusz MAKUCHOWSKI Streszczenie: Proponowany w tej pracy algorytm perturbacyjny PNEH (dedykowany permutacyjnemu problemowi przepływowemu) pozwala na dostarczanie
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 szczegółowoOptymalizacja. Przeszukiwanie lokalne
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Maciej Hapke Idea sąsiedztwa Definicja sąsiedztwa x S zbiór N(x) S rozwiązań, które leżą blisko rozwiązania x
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 szczegółowoBADANIA OPERACYJNE. dr Adam Sojda Pokój A405
BADANIA OPERACYJNE dr Adam Sojda adam.sojda@polsl.pl http://dydaktyka.polsl.pl/roz6/asojda/default.aspx Pokój A405 Przedsięwzięcie - zorganizowanie działanie ludzkie zmierzające do osiągnięcia określonego
Bardziej szczegółowoWEKTOROWE KODOWANIE PERMUTACJI. NOWE OPERATORY GENETYCZNE
WEKTOROWE KODOWANIE PERMUTACJI. NOWE OPERATORY GENETYCZNE Mariusz MAKUCHOWSKI Streszczenie: W pracy proponuje się alternatywny sposób kodowania permutacji. Prezentuje się szereg jego własności niewystępujących
Bardziej szczegółowoTestowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
Bardziej szczegółowoALGORYTM EWOLUCYJNY DLA PROBLEMU SZEREGOWANIA ZADAŃ W SYSTEMIE PRZEPŁYWOWYM 1. WPROWADZENIE
szeregowanie zadań, algorytmy ewolucyjne Adam STAWOWY * ALGORYTM EWOLUCYJNY DLA PROBLEMU SZEREGOWANIA ZADAŃ W SYSTEMIE PRZEPŁYWOWYM W pracy zaprezentowano algorytm programowania ewolucyjnego do problemu
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 szczegółowoStruktury danych i złożoność obliczeniowa Wykład 5. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 5 Prof. dr hab. inż. Jan Magott DMT rozwiązuje problem decyzyjny π przy kodowaniu e w co najwyżej wielomianowym czasie, jeśli dla wszystkich łańcuchów wejściowych
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 szczegółowoOptymalizacja. Przeszukiwanie tabu
dr inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Maciej Hapke Naturalny sposób powstania algorytmu Algorytm największego spadku niezdolność wyjścia z lokalnych optimów!
Bardziej szczegółowoTabu Search (Poszukiwanie z zakazami)
Tabu Search (Poszukiwanie z zakazami) Heurystyka - technika znajdująca dobre rozwiązanie problemu (np. optymalizacji kombinatorycznej) przy rozsądnych (akceptowalnych z punktu widzenia celu) nakładach
Bardziej szczegółowoHarmonogramowanie zintegrowanego systemu transportu i montażu kompozytowych elementów mostowych w systemie Just In Time
Harmonogramowanie zintegrowanego systemu transportu i montażu kompozytowych elementów mostowych w systemie Just In Time Dr hab. Wojciech Bożejko, mgr inż. Mariusz Uchroński, Instytut Informatyki, Automatyki
Bardziej szczegółowoB jest globalnym pokryciem zbioru {d} wtedy i tylko wtedy, gdy {d} zależy od B i nie istnieje B T takie, że {d} zależy od B ;
Algorytm LEM1 Oznaczenia i definicje: U - uniwersum, tj. zbiór obiektów; A - zbiór atrybutów warunkowych; d - atrybut decyzyjny; IND(B) = {(x, y) U U : a B a(x) = a(y)} - relacja nierozróżnialności, tj.
Bardziej szczegółowoPROGRAMOWANIE DYNAMICZNE W ROZMYTYM OTOCZENIU DO STEROWANIA STATKIEM
Mostefa Mohamed-Seghir Akademia Morska w Gdyni PROGRAMOWANIE DYNAMICZNE W ROZMYTYM OTOCZENIU DO STEROWANIA STATKIEM W artykule przedstawiono propozycję zastosowania programowania dynamicznego do rozwiązywania
Bardziej szczegółowo9.9 Algorytmy przeglądu
14 9. PODSTAWOWE PROBLEMY JEDNOMASZYNOWE 9.9 Algorytmy przeglądu Metody przeglądu dla problemu 1 r j,q j C max były analizowane między innymi w pracach 25, 51, 129, 238. Jak dotychczas najbardziej elegancka
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska
SYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska DRZEWO REGRESYJNE Sposób konstrukcji i przycinania
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
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 szczegółowow 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 szczegółowoOptymalizacja. Wybrane algorytmy
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Andrzej Jaszkiewicz Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem
Bardziej szczegółowoSTATYKA Z UWZGLĘDNIENIEM DUŻYCH SIŁ OSIOWYCH
Część. STATYKA Z UWZGLĘDNIENIEM DUŻYCH SIŁ OSIOWYCH.. STATYKA Z UWZGLĘDNIENIEM DUŻYCH SIŁ OSIOWYCH Rozwiązując układy niewyznaczalne dowolnie obciążone, bardzo często pomijaliśmy wpływ sił normalnych i
Bardziej szczegółowoZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2008 Seria: AUTOMATYKA z. 199 Nr kol. 1999
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2008 Seria: AUTOMATYKA z. 199 Nr kol. 1999 Mariusz Makuchowski Politechnika Wrocławska, Instytut Informatyki Automatyki i Robotyki PROBLEM GNIAZDOWY Z OGRANICZENIEM
Bardziej szczegółowoRozwiązywanie algebraicznych układów równań liniowych metodami iteracyjnymi. Plan wykładu:
Rozwiązywanie algebraicznych układów równań liniowych metodami iteracynymi Plan wykładu: 1. Przykłady macierzy rzadkich i formaty ich zapisu 2. Metody: Jacobiego, Gaussa-Seidla, nadrelaksaci 3. Zbieżność
Bardziej szczegółowoZaawansowane programowanie
Zaawansowane programowanie wykład 1: wprowadzenie + algorytmy genetyczne Plan wykładów 1. Wprowadzenie + algorytmy genetyczne 2. Metoda przeszukiwania tabu 3. Inne heurystyki 4. Jeszcze o metaheurystykach
Bardziej szczegółowoBADANIA OPERACYJNE ANALITYKA GOSPODARCZA
BADANIA OPERACYJNE ANALITYKA GOSPODARCZA Egzamin pisemny 8.4.7 piątek, salae-6, godz. 8:-9:3 OBECNOŚĆ OBOWIĄZKOWA!!! Układ egzaminu. TEST z teorii: minut (test wielostronnego wyboru; próg 75%). ZADANIA:
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
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 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 szczegółowoPlan. Zakres badań teorii optymalizacji. Teoria optymalizacji. Teoria optymalizacji a badania operacyjne. Badania operacyjne i teoria optymalizacji
Badania operacyjne i teoria optymalizacji Instytut Informatyki Poznań, 2011/2012 1 2 3 Teoria optymalizacji Teoria optymalizacji a badania operacyjne Teoria optymalizacji zajmuje się badaniem metod optymalizacji
Bardziej szczegółowokomputery? Andrzej Skowron, Hung Son Nguyen Instytut Matematyki, Wydział MIM, UW
Czego moga się nauczyć komputery? Andrzej Skowron, Hung Son Nguyen son@mimuw.edu.pl; skowron@mimuw.edu.pl Instytut Matematyki, Wydział MIM, UW colt.tex Czego mogą się nauczyć komputery? Andrzej Skowron,
Bardziej szczegółowoZad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:
Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności
Bardziej szczegółowoOPTYMALIZACJA HARMONOGRAMOWANIA MONTAŻU SAMOCHODÓW Z ZASTOSOWANIEM PROGRAMOWANIA W LOGICE Z OGRANICZENIAMI
Autoreferat do rozprawy doktorskiej OPTYMALIZACJA HARMONOGRAMOWANIA MONTAŻU SAMOCHODÓW Z ZASTOSOWANIEM PROGRAMOWANIA W LOGICE Z OGRANICZENIAMI Michał Mazur Gliwice 2016 1 2 Montaż samochodów na linii w
Bardziej szczegółowoMETODYKA DIAGNOZOWANIA STANU MASZYN 1. Henryk Tylicki, Joanna Wilczarska, Marzena Bartol
MOTROL, 2006, 8, 230 239 METOYKA IAGNOZOWANIA STANU MASZYN Henryk Tylicki, Joanna Wilczarska, Marzena Bartol Akademia Techniczno-Rolnicza w Bydgoszczy Streszczenie. W opracowaniu przedstawiono problematykę
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 szczegółowo166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Bardziej szczegółowoAlgorytmy konstrukcyjne dla problemu harmonogramowania projektu z ograniczonymi zasobami. Marcin Klimek *
Zeszyty Naukowe WWSI, No 15, Vol. 10, 2016, s. 41-52 Algorytmy konstrukcyjne dla problemu harmonogramowania projektu z ograniczonymi zasobami Marcin Klimek * Państwowa Szkoła Wyższa w Białej Podlaskiej,
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoStatystyka. #5 Testowanie hipotez statystycznych. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2016/ / 28
Statystyka #5 Testowanie hipotez statystycznych Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik rok akademicki 2016/2017 1 / 28 Testowanie hipotez statystycznych 2 / 28 Testowanie hipotez statystycznych
Bardziej szczegółowoWybrane podstawowe rodzaje algorytmów
Wybrane podstawowe rodzaje algorytmów Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii informatycznych
Bardziej szczegółowoWyznaczanie 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 szczegółowoAlgorytm Grovera. Kwantowe przeszukiwanie zbiorów. Robert Nowotniak
Wydział Fizyki Technicznej, Informatyki i Matematyki Stosowanej Politechnika Łódzka 13 listopada 2007 Plan wystapienia 1 Informatyka Kwantowa podstawy 2 Opis problemu (przeszukiwanie zbioru) 3 Intuicyjna
Bardziej szczegółowo1 Problemyprzepływowe
Problemyprzepływowe Problemy przepływowe należą do jednych z prostszych i często analizowanych modeli systemów produkcyjnych. Poniżej zostanie przedstawiony podstawowy problem przepływowy, permutacyjny
Bardziej szczegółowoTesty zgodności 9 113
Testy zgodności 9 3 9. TESTY ZGODNOŚCI 9. Różne sytuace praktyczne W praktyce badań statystycznych, ak uż poprzednio stwierdzono, cały proces analizy statystyczne dzielimy na dwa etapy: formułowanie hipotezy
Bardziej szczegółowo