Obliczenia Naturalne - Wstęp
|
|
- Wojciech Ostrowski
- 8 lat temu
- Przeglądów:
Transkrypt
1 Literatura Wprowadzenie Obliczenia Naturalne - Wstęp Paweł Paduch Politechnika Świętokrzyska 18 lutego 2014 Paweł Paduch Obliczenia Naturalne - Wstęp 1 z 49
2 Plan wykładu Wstęp Literatura Wprowadzenie 1 Wstęp Literatura Wprowadzenie 2 Automaty komórkowe Sieci neuronowe Obliczenia ewolucyjne Systemy immunologiczne Inne ciekawe 3 Roje cząstek Roje pszczół Kolonie mrówek 4 Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Paweł Paduch Obliczenia Naturalne - Wstęp 2 z 49
3 Literatura Wstęp Literatura Wprowadzenie Marco Dorigo, Thomas Stützle - Ant Colony Optimization. Bradford Company, Scituate, MA, USA, 2004 Mariusz Flasiński - Wstęp do sztucznej inteligencji, Wydawnictwo Naukowe PWN, 2011 David Edward Goldberg - Algorytmy genetyczne i ich zastosowania, WNT, 2009 Zbigniew Michalewicz - Algorytmy genetyczne+struktury danych=programy ewolucyjne, WNT, 2003 Paweł Paduch Obliczenia Naturalne - Wstęp 3 z 49
4 Literatura Wprowadzenie Literatura Krzysztof Kułakowski - Automaty Komórkowe, AGH, 2000 Jarosław Arabas - Wykłady z algorytmów ewolucyjnych, WNT, 2001 Lila Kari and Grzegorz Rozenberg - The Many Facets of Natural Computing, ACM, 2008 Paweł Paduch Obliczenia Naturalne - Wstęp 4 z 49
5 Strony internetowe Wstęp Literatura Wprowadzenie Ryszard Tadeusiewicz - Sieci neuronowe, Akademicka Oficyna Wydaw. RM, Wikipedia Symulator life Introduction to Natural Computation, wiele ciekawych linków z symulatorami na dole strony Symulacja optymalizacji TSP algorytmem mrówkowym Automaty komórkowe Paweł Paduch Obliczenia Naturalne - Wstęp 5 z 49
6 Inspiracja naturą Wstęp Literatura Wprowadzenie Architektura Gniazda Rysunek : Stadion olimpijski Paweł Paduch Obliczenia Naturalne - Wstęp 6 z 49
7 Literatura Wprowadzenie Inspiracja naturą Architektura Lotnictwo Lotnictwo Rysunek : Lilienthal Paweł Paduch Obliczenia Naturalne - Wstęp 6 z 49
8 Literatura Wprowadzenie Inspiracja naturą Architektura Lotnictwo Nowoczesne materiały Materiały Rysunek : Fastskin speedo Paweł Paduch Obliczenia Naturalne - Wstęp 6 z 49
9 Literatura Wprowadzenie Inspiracja naturą Architektura Lotnictwo Nowoczesne materiały Materiały Rysunek : Velcro - rzep Paweł Paduch Obliczenia Naturalne - Wstęp 6 z 49
10 Literatura Wprowadzenie Inspiracja naturą Architektura Lotnictwo Nowoczesne materiały Śluzowce i metro Śluzowce Rysunek : Optymalne połączenia metra Paweł Paduch Obliczenia Naturalne - Wstęp 6 z 49
11 Literatura Wprowadzenie Inspiracja naturą Architektura Lotnictwo Nowoczesne materiały Śluzowce i metro Nietoperze i sonary Sonary ultradźwiękowe Rysunek : Nietoperz Paweł Paduch Obliczenia Naturalne - Wstęp 6 z 49
12 Literatura Wprowadzenie Inspiracja naturą Architektura Lotnictwo Nowoczesne materiały Śluzowce i metro Nietoperze i sonary Wyświetlacz jak motyl Wyświetlacze do e-readerów Rysunek : Motyl z połyskującymi skrzydłami Paweł Paduch Obliczenia Naturalne - Wstęp 6 z 49
13 Literatura Wprowadzenie Inspiracja naturą Architektura Lotnictwo Nowoczesne materiały Śluzowce i metro Nietoperze i sonary Wyświetlacz jak motyl Drętwa i stos Volty Elektryczna ryba Rysunek : Drętwa Paweł Paduch Obliczenia Naturalne - Wstęp 6 z 49
14 Inspiracja naturą Wstęp Literatura Wprowadzenie Plaster miodu i meble Paweł Paduch Obliczenia Naturalne - Wstęp 7 z 49
15 Literatura Wprowadzenie Inspiracja naturą Plaster miodu i meble Kopce termitów i wentylacja Paweł Paduch Obliczenia Naturalne - Wstęp 7 z 49
16 Literatura Wprowadzenie Inspiracja naturą Plaster miodu i meble Kopce termitów i wentylacja Dzioby i superszybkie pociągi Paweł Paduch Obliczenia Naturalne - Wstęp 7 z 49
17 Literatura Wprowadzenie Inspiracja naturą Plaster miodu i meble Kopce termitów i wentylacja Dzioby i superszybkie pociągi Kropla i opływowe kształty Paweł Paduch Obliczenia Naturalne - Wstęp 7 z 49
18 Literatura Wprowadzenie Inspiracja naturą Plaster miodu i meble Kopce termitów i wentylacja Dzioby i superszybkie pociągi Kropla i opływowe kształty Małże i superkleje Paweł Paduch Obliczenia Naturalne - Wstęp 7 z 49
19 Literatura Wprowadzenie Inspiracja naturą Plaster miodu i meble Kopce termitów i wentylacja Dzioby i superszybkie pociągi Kropla i opływowe kształty Małże i superkleje Gekon i przylepce Paweł Paduch Obliczenia Naturalne - Wstęp 7 z 49
20 Literatura Wprowadzenie Inspiracja naturą Plaster miodu i meble Kopce termitów i wentylacja Dzioby i superszybkie pociągi Kropla i opływowe kształty Małże i superkleje Gekon i przylepce Bioniczne roboty 2,4,6, n-nożne Paweł Paduch Obliczenia Naturalne - Wstęp 7 z 49
21 Literatura Wprowadzenie Inspiracja naturą Plaster miodu i meble Kopce termitów i wentylacja Dzioby i superszybkie pociągi Kropla i opływowe kształty Małże i superkleje Gekon i przylepce Bioniczne roboty 2,4,6, n-nożne Roboty fruwające, pływające i pełzające Paweł Paduch Obliczenia Naturalne - Wstęp 7 z 49
22 Natura inspiracją w obliczeniach Literatura Wprowadzenie Bakterie i automaty komórkowe Paweł Paduch Obliczenia Naturalne - Wstęp 8 z 49
23 Literatura Wprowadzenie Natura inspiracją w obliczeniach Bakterie i automaty komórkowe Sieci neuronowe Paweł Paduch Obliczenia Naturalne - Wstęp 8 z 49
24 Literatura Wprowadzenie Natura inspiracją w obliczeniach Bakterie i automaty komórkowe Sieci neuronowe Ewolucja Paweł Paduch Obliczenia Naturalne - Wstęp 8 z 49
25 Literatura Wprowadzenie Natura inspiracją w obliczeniach Bakterie i automaty komórkowe Sieci neuronowe Ewolucja Układy odpornościowe Paweł Paduch Obliczenia Naturalne - Wstęp 8 z 49
26 Literatura Wprowadzenie Natura inspiracją w obliczeniach Bakterie i automaty komórkowe Sieci neuronowe Ewolucja Układy odpornościowe Stada ptaków Paweł Paduch Obliczenia Naturalne - Wstęp 8 z 49
27 Literatura Wprowadzenie Natura inspiracją w obliczeniach Bakterie i automaty komórkowe Sieci neuronowe Ewolucja Układy odpornościowe Stada ptaków Pszczoły Paweł Paduch Obliczenia Naturalne - Wstęp 8 z 49
28 Literatura Wprowadzenie Natura inspiracją w obliczeniach Bakterie i automaty komórkowe Sieci neuronowe Ewolucja Układy odpornościowe Stada ptaków Pszczoły Mrówki Paweł Paduch Obliczenia Naturalne - Wstęp 8 z 49
29 Automaty komórkowe Wstęp Automaty komórkowe Sieci neuronowe Obliczenia ewolucyjne Systemy immunologiczne Inne ciekawe Teorię automatów komórkowych sformułował w latach 40-stych węgierski uczony Janos Von Neumann. Automat komórkowy składa się z d-wymiarowej siatki sąsiadujących komórek. Ewolucja odbywa się w skwantyfikowanym czasie, w równych odstępach. Każda komórka ma identyczną budowę oraz identyczne zasady przejść pomiędzy określonymi stanami zależnymi od stanów komórek sąsiednich. Jednym z prostszych i bardziej znanych przykładów zastosowania automatu komórkowego jest gra Life Paweł Paduch Obliczenia Naturalne - Wstęp 9 z 49
30 Automaty komórkowe Wstęp Automaty komórkowe Sieci neuronowe Obliczenia ewolucyjne Systemy immunologiczne Inne ciekawe Automaty komórkowe mają między innymi zastosowanie w matematyce, fizyce, biologii, socjofizyce czy nawet sztuce: Obliczenia równoległe Symulacja zachowań płynów i gazów Symulacja lawin Symulacje biofizycznych zachowań populacji (Model Penny) Symulacje magnetyzmu (Model Isinga) Symulacje ruchu ulicznego i badanie przyczyn powstawania korków Symulacje formowania opinii społecznej Paweł Paduch Obliczenia Naturalne - Wstęp 10 z 49
31 Sieci neuronowe Wstęp Automaty komórkowe Sieci neuronowe Obliczenia ewolucyjne Systemy immunologiczne Inne ciekawe Pierwszy sztuczny neuron został opracowany przez Warrena S. McCullocha ora Waltera Pittsa w 1943 roku. Sztuczny neuron posiada wiele wejść (odpowiedniki impulsów nerwowych) i jedno wyjście. Sztuczne sieci neuronowe zbudowane są z połączonych wzajemnie sztucznych neuronów. Istnieje wiele rodzajów sieci: jednokierunkowe, rekurencyjne, samoorganizujące się mapy. Paweł Paduch Obliczenia Naturalne - Wstęp 11 z 49
32 Sieci neuronowe Wstęp Automaty komórkowe Sieci neuronowe Obliczenia ewolucyjne Systemy immunologiczne Inne ciekawe Zastosowanie sztucznych sieci neuronowych jest bardzo wszechstronne: klasyfikacja i rozpoznawanie obrazów, prognozowanie i przewidywanie np. ceny surowców lub papierów wartościowych, analiza badań medycznych, optymalizacja procesów produkcji, rekrutacja pracowników, synteza mowy i wiele innych... Paweł Paduch Obliczenia Naturalne - Wstęp 12 z 49
33 Obliczenia ewolucyjne Wstęp Automaty komórkowe Sieci neuronowe Obliczenia ewolucyjne Systemy immunologiczne Inne ciekawe Jest to grupa metod o największym znaczeniu wśród modeli inspirowanych biologią. Są one oparte na symulowaniu procesów ewolucji takich jak: zapis genetyczny poszczególnych cech osobników, krzyżowanie materiału genetycznego wybranych osobników, rozwój kolejnych pokoleń, ocena przystosowania, dobór naturalny, mutacje. Paweł Paduch Obliczenia Naturalne - Wstęp 13 z 49
34 Obliczenia ewolucyjne Wstęp Automaty komórkowe Sieci neuronowe Obliczenia ewolucyjne Systemy immunologiczne Inne ciekawe Podział z uszeregowaniem poziomu abstrakcji reprezentacji wykorzystywanej do modelowania problemu: Algorytmy genetyczne Strategie ewolucyjne Programowanie ewolucyjne Programowanie genetyczne Paweł Paduch Obliczenia Naturalne - Wstęp 14 z 49
35 Zastosowanie obliczeń ewolucyjnych Automaty komórkowe Sieci neuronowe Obliczenia ewolucyjne Systemy immunologiczne Inne ciekawe Głównym zadaniem obliczeń ewolucyjnych jest osiągnięcie pewnego celu np. minimum lub maksimum w zadanej przestrzeni poszukiwań. Obliczenia ewolucyjne znalazły zastosowanie między innymi: w grach, w Rozpoznawanie obrazu, w optymalizacji funkcji, w symulowaniu rozwoju organizmów żywych, w Algorytmach grupowania, w szeregowaniach zadań, w kolorowaniu grafu, w optymalizacji pracy rurociągów, w rozwiązywaniu problemów NP-trudnych i w wielu innych... Paweł Paduch Obliczenia Naturalne - Wstęp 15 z 49
36 Sztuczne systemy immunologiczne Automaty komórkowe Sieci neuronowe Obliczenia ewolucyjne Systemy immunologiczne Inne ciekawe Na przełomie lat 80-tych i 90-tych systemy odpornościowe żywych organizmów stały się inspiracją dla sztucznych systemów immunologicznych AIS (ang. Artificial Immune Systems). W naturze system odpornościowy ma za zadanie chronić nasze ciało przed obcymi patogenami (wirusy, bakterie, grzyby czy pasożyty). Głównym celem jest tu rozpoznanie komórek i kategoryzowanie ich jako obce lub swoje. Stosując uczenie się, pamięć, wyszukiwanie asocjacyjne itp., systemy immunologiczne świetnie radzą sobie w problemach rozpoznawania i klasyfikacji. Paweł Paduch Obliczenia Naturalne - Wstęp 16 z 49
37 Sztuczne systemy immunologiczne Automaty komórkowe Sieci neuronowe Obliczenia ewolucyjne Systemy immunologiczne Inne ciekawe AIS mają znaczenie w: wykrywaniu wirusów komputerowych, anomalii w seriach danych, diagnostyce błędów, rozpoznawaniu paternów, uczeniu maszynowym, bioinformatyce, optymalizacji, robotyce i wielu innych. Paweł Paduch Obliczenia Naturalne - Wstęp 17 z 49
38 Symulowane wyżarzanie Automaty komórkowe Sieci neuronowe Obliczenia ewolucyjne Systemy immunologiczne Inne ciekawe Rodzaj algorytmu heurystycznego przeszukującego przestrzeń alternatywnych rozwiązań problemu w celu wyszukania najlepszych rozwiązań. Sposób działania symulowanego wyżarzania nieprzypadkowo przypomina zjawisko wyżarzania w metalurgii. Paweł Paduch Obliczenia Naturalne - Wstęp 18 z 49
39 Komputery DNA Wstęp Automaty komórkowe Sieci neuronowe Obliczenia ewolucyjne Systemy immunologiczne Inne ciekawe Informacja jest zakodowana w postaci łańcuchów DNA Bramki logiczne oparte na enzymach Wyniki każdego działania otrzymujemy z pewnym prawdopodobieństwem (komputer probabilistyczny). Paweł Paduch Obliczenia Naturalne - Wstęp 19 z 49
40 Komputery DNA Wstęp Automaty komórkowe Sieci neuronowe Obliczenia ewolucyjne Systemy immunologiczne Inne ciekawe Jedne z ciekawszych zastosowań: Leonard Adleman przeprowadził eksperyment wyznaczający drogę komiwojażera dla 7 miast Animesh Ray i Mitsu Ogihara, skonstruowali pierwsze bramki logiczne pierwszy komputer skonstruowany pod kierunkiem Ehuda Shapiro w instytucie Weizmanna i komputery DNA pozwalające grać w kółko i krzyżyk. Można stosować do wykrywania wirusów lub znajdowania mutacji w kodzie genetycznym. Paweł Paduch Obliczenia Naturalne - Wstęp 20 z 49
41 Roje cząstek Roje pszczół Kolonie mrówek Łączenie się w grupy organizmów o tych samych cechach jest bardzo powszechne w świecie przyrody. Tak powstały pierwsze organizmy wielokomórkowe, bo okazało się, że działanie w grupie zwiększa szanse na przeżycie. Zalet z łączenia się w stada, sfory, kolonie, roje, ławice i inne formacje grupowe może być wiele: W stadzie siła, drapieżniki nie potrafią upolować ofiary, która jest broniona przez całe stado. Zwierzęta stadne często wspólnie zdobywają pożywienie. Zorganizowane grupy organizmów budują wspólne siedliska (np. ule, mrowiska, zapory budowane przez bobry). W stadzie rozwiązywane są często zadania, które byłyby nierozwiązywalne dla pojedynczego osobnika. Paweł Paduch Obliczenia Naturalne - Wstęp 21 z 49
42 Roje cząstek Roje pszczół Kolonie mrówek W stadzie osobniki komunikują się bezpośrednio lub poprzez oddziaływanie na środowisko Osobniki mogą podejmować skoordynowane działania pomimo braku scentralizowanego koordynatora. Pojedyncze osobniki nie są wstanie rozwiązać danego problemu jednak dzięki wzajemnym interakcją jest to możliwe. Inteligencję stadną, rojową (ang. Swarm Inteligence) wykorzystuje się głównie do optymalizacji. Paweł Paduch Obliczenia Naturalne - Wstęp 22 z 49
43 Roje cząstek Wstęp Roje cząstek Roje pszczół Kolonie mrówek Optymalizacja rojem cząstek (ang. Particle swarm optimization) jest prostym i intuicyjnym mechanizmem optymalizacyjnym. Każda cząstka reprezentuje potencjalne rozwiązanie. Cząstki poruszają się przez wielowymiarową przestrzeń poszukiwań. Pozycja jest aktualizowana według własnego doświadczenia oraz doświadczenia sąsiadów, poprzez dodania wektora prędkości do ich aktualnego stanu przemieszczania się. Aktualna prędkość zależy od, poprzedniej prędkości, dążenia do swojego najlepszego poprzedniego położenia oraz dążenia do globalnego lub lokalnego najlepszego wyniku sąsiada. Każda cząstka jest zbieżna do punktu pomiędzy własnym najlepszym rozwiązaniem a najlepszym rozwiązaniem globalnym. Paweł Paduch Obliczenia Naturalne - Wstęp 23 z 49
44 Roje cząstek Roje pszczół Kolonie mrówek Roje pszczół Kolejnymi trzema algorytmami zainspirowanymi rojami, w tym wypadku rojami pszczół są: MBO (ang. Marriage in Honey-Bees Optimization) - przedstawiony w 2001 roku przez H.A. Abbas a, ABC (ang. Artificial Bee Colony) - opracowany w 2005 roku przez Dervisa Karaboga. BCO (ang. Bee Colony Optimization) - zaproponowany w tym samym roku przez Dušana Teodorovića i Mauro Dell orco Paweł Paduch Obliczenia Naturalne - Wstęp 24 z 49
45 Kolonie mrówek Wstęp Roje cząstek Roje pszczół Kolonie mrówek należą do grupy algorytmów metaheurystycznych. Z powodzeniem stosuje się je do rozwiązywania dyskretnych zadań liniowych. W 1989 Deneubourg wykazał, że mrówki potrafią znaleźć najkrótszą drogę do pożywienia. Mrówki swą zbiorowa inteligencję zawdzięczają wspólnemu działaniu tysięcy jednostek. Fenomen ten był inspiracją do stworzenia grupy algorytmów optymalizujących ACO (ang. Ant Colony Optimization). Jednym z pierwszych badaczy, który spopularyzował ACO był Marco Dorigo. Paweł Paduch Obliczenia Naturalne - Wstęp 25 z 49
46 Roje cząstek Roje pszczół Kolonie mrówek Kolonie mrówek Algorytmami mrówkowymi z powodzeniem rozwiązywano: problem komiwojażera, problem kwadratowego przydziału, harmonogramowania zadań, równoważenia obciążenia łącz komunikacyjnych, grupowania i wyszukiwania. Paweł Paduch Obliczenia Naturalne - Wstęp 26 z 49
47 Mrówki Wstęp Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Naturalne mrówki charakteryzują się tym że: Są praktycznie ślepe. Mają znikome mózgi. Mają bardzo dobre zmysły węchu. Mrówki maszerując zostawiają na swej drodze feromony. Feromony nieustannie parują. Mrówki podczas decyzji, którą z dróg wybrać kierują się intensywnością zapachu feromonu. Korzystają ze zjawiska stygmergii (zjawisko pośredniej komunikacji poprzez wywoływanie zmian w środowisku i odczytywanie ich). Gdy działają w stadzie potrafią znaleźć najkrótszą drogę pomiędzy pożywieniem a mrowiskiem. Paweł Paduch Obliczenia Naturalne - Wstęp 27 z 49
48 Eksperyment Deneubourg a Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Deneubourg badając argentyńskie mrówki połączył źródło pożywienia z mrowiskiem dwoma mostami o różnej długości. Rozdzielenie drogi było pod kątem 30, by wykluczyć wybór którejś ze ścieżek ze względu na jej lokalny kształt. Po kilku minutach od znalezienia pożywienia większość mrówek maszerowała krótszą trasą. Rysunek : Most w eksperymencie Deneubourg a Paweł Paduch Obliczenia Naturalne - Wstęp 28 z 49
49 Eksperyment Deneubourg a Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Deneubourg wykazał, że takie zachowanie można wytłumaczyć za pomocą prostego modelu probabilistycznego, w którym każda mrówka decyduje, którą trasę wybrać z pewnym prawdopodobieństwem zależnym od ilości chemicznej substancji zwanej feromonem znajdującej się na trasach. Na podobnej zasadzie mrówki potrafią przebudować feromonowy szlak gdy zostanie on przerwany przez ustawioną przeszkodę. Paweł Paduch Obliczenia Naturalne - Wstęp 29 z 49
50 Jak mrówki omijają przeszkody? Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Mrówki mają ustaloną trasę. Rysunek : Mrówki z wyznaczoną trasą feromonową pomiędzy pożywieniem a mrowiskiem. Paweł Paduch Obliczenia Naturalne - Wstęp 30 z 49
51 Jak mrówki omijają przeszkody? Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Gdy trafią na przeszkodę część pójdzie z jednej strony część z drugiej Rysunek : Przeszkoda na trasie feromonowej, mrówki wybierają dwie alternatywne trasy. Paweł Paduch Obliczenia Naturalne - Wstęp 31 z 49
52 Jak mrówki omijają przeszkody? Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Mrówki idące krótszą drogą szybciej połączą ślady feromonowe dając jednocześnie sygnał dla pozostałych mrówek, która trasa jest lepsza. Rysunek : Na trasie krótszej ilość feromonu zwiększa się szybciej. Paweł Paduch Obliczenia Naturalne - Wstęp 32 z 49
53 Jak mrówki omijają przeszkody? Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Z czasem mrówki zoptymalizują swoją trasę. Rysunek : Trasa dłuższa odparowuje, pozostaje lepsze, optymalne rozwiązanie. Paweł Paduch Obliczenia Naturalne - Wstęp 33 z 49
54 Jak mrówki szukają pożywienia? Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Mrówki losowo rozchodzą się z mrowiska szukając pożywienia. Te mrówki, które trafią krótszą drogą, szybciej wrócą po swoich śladach. Na krótszych trasach liczba mrówek w jednostce czasu jest większa a więc i odświeżanie śladu feromonowego jest intensywniejsze. Trasy dłuższe, jako rzadziej odwiedzane wyparowują. Paweł Paduch Obliczenia Naturalne - Wstęp 34 z 49
55 Cechy wirtualnych mrówek Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Poruszają się w dyskretnej przestrzeni poszukiwań od punktu do punktu w zdefiniowanych grafach. Mogą aktualizować ślad feromonowy nie tylko w trakcie ale i po znalezieniu rozwiązania. Nie muszą zostawiać za sobą identycznego śladu, mogą to robić w zależności od jakości rozwiązania. W szczególności tylko jedna, najlepsza mrówka może zostawić swój ślad. Paweł Paduch Obliczenia Naturalne - Wstęp 35 z 49
56 Cechy wirtualnych mrówek Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Mogą widzieć w pewnym ograniczonym zakresie, np. dostrzegając różnicę w długości krawędzi wychodzących z aktualnego węzła, w którym mrówka się znajduje. Mogą być obdarzone pewną dawką inteligencji, np. takiej by wyszukiwały trasy krótsze pomimo tej samej ilości feromonu. Mogą posiadać wewnętrzną pamięć np. w formie list tabu, mówiących o tym, których węzłów należy unikać (bo zostały już odwiedzone). Paweł Paduch Obliczenia Naturalne - Wstęp 36 z 49
57 Ant System - AS Wstęp Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Wszystkie mrówki nanoszą feromon 3 sposoby nanoszenia feromonu DAS (gęstościowy) - feromon nanoszony po każdym kroku na każdą użytą krawędź nie zależnie od jej długości QAS (ilościowy) - feromon nanoszony po każdym kroku ale stała ilość dzielona jest przez długość krawędzi CAS (cykliczny)- feromon nanoszony dopiero gdy wszystkie mrówki znajdą rozwiązanie Paweł Paduch Obliczenia Naturalne - Wstęp 37 z 49
58 Elitist Ant System - EAS Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Na najlepszą trasę od początku działania algorytmu nanoszona jest dodatkowa ilość feromonu. Paweł Paduch Obliczenia Naturalne - Wstęp 38 z 49
59 ANT-Q Wstęp Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Feromon aktualizowany jest tylko na krawędziach, gdzie poruszają się mrówki Po znalezieniu trasy przez wszystkie mrówki wyliczane jest opóźnione wzmocnienie i feromon jest aktualizowany na najkrótszej trasie od początku działania algorytmu T gb lub na najkrótszej trasie w danej iteracji T ib Paweł Paduch Obliczenia Naturalne - Wstęp 39 z 49
60 Ant Colony System - ACS Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Uproszczony w stosunku do ANT-Q i równie efektywny. Jeden z lepszych algorytmów mrówkowych. Odparowywanie tylko na krawędziach użytych przez mrówki. Dodatkowe wzmocnienie feromonu na najlepszej trasie. Paweł Paduch Obliczenia Naturalne - Wstęp 40 z 49
61 Max Min Ant System- MMAS Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Wprowadzenie limitów dolnych i górnych na poziom feromonu. Restartowanie algorytmu. Inicjacja maksymalną ilością feromonu τ max. Tylko jedna mrówka nanosi feromon. Paweł Paduch Obliczenia Naturalne - Wstęp 41 z 49
62 Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Rank Based Ant System - AS rank Feromon aktualizowany jak w EAS. Dodatkowo kilka najlepszych mrówek aktualizuje feromon w ilościach zależnych od rangi. Paweł Paduch Obliczenia Naturalne - Wstęp 42 z 49
63 Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Approximate Nondeterministic Tree Search - ANTS Modyfikacja w sposobie liczenia prawdopodobieństwa, oblicza dolna granice kosztu kompletnego rozwiązania. Modyfikacja w sposobie aktualizacji feromonu brak parametru parowania, lepsze rozwiązania od średniej dodają feromon, gorsze odejmują. Paweł Paduch Obliczenia Naturalne - Wstęp 43 z 49
64 Best Worst Ant System - BWAS Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Najgorsza bieżąca ścieżka powoduje odparowanie feromonu. Najlepsza globalna ścieżka powoduje dodanie feromonu. Restartowanie jak w MMAS. Wprowadzono element mutacji. Paweł Paduch Obliczenia Naturalne - Wstęp 44 z 49
65 Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Hyper Cube Ant Colony Optimization - HC-ACO Można rozwiązywać wiele problemów kombinatorycznych, których rozwiązanie może być reprezentowane przez binarne wektory. Wartość feromonowa przeskalowana do przedziału [0, 1]. Rozwiązania leżą w narożnikach hipersześcianu. Paweł Paduch Obliczenia Naturalne - Wstęp 45 z 49
66 Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Ant System Local Best Tour - AS-LBT Algorytm bazuje na EAS. Pozbycie się globalnego obserwatora pamiętającego najlepszą trasę. Każda mrówka pamięta swoją najlepszą trasę. Możliwość łatwego rozproszenia. Paweł Paduch Obliczenia Naturalne - Wstęp 46 z 49
67 Grupowanie Wstęp Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Oprócz wymienionych algorytmów optymalizujących bazujących na feromonach istnieją algorytmy grupowania. Najprostsza zasada działania: Mrówka pobiera pewien element. Przesuwa się w dowolnym kierunku n-wymiarowej przestrzeni. Gdy napotka element/elementy podobne do tego, który właśnie transportuje wypuszcza go. Pobiera kolejny element. Paweł Paduch Obliczenia Naturalne - Wstęp 47 z 49
68 Pytania Wstęp Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy? Paweł Paduch Obliczenia Naturalne - Wstęp 48 z 49
69 koniec Wstęp Mrówki Eksperyment Deneubourg a Mrowisko - pożywienie Wirtualne mrówki Algorytmy Dziękuję Państwu za uwagę. Paweł Paduch Obliczenia Naturalne - Wstęp 49 z 49
Obliczenia Naturalne - Algorytmy Mrówkowe
Plan Literatura Obliczenia Naturalne - Algorytmy Mrówkowe Paweł Paduch Politechnika Świętokrzyska 8 maja 2014 Paweł Paduch Obliczenia Naturalne - Algorytmy Mrówkowe 1 z 43 Plan wykładu Plan Literatura
Bardziej szczegółowoAlgorytmy 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 szczegółowoAlgorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation)
Algorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation) Jest to technika probabilistyczna rozwiązywania problemów obliczeniowych, które mogą zostać sprowadzone do problemu znalezienie
Bardziej szczegółowoObliczenia inspirowane Naturą
Obliczenia inspirowane Naturą Wykład 00 Metainformacje i wprowadzenie do tematyki Jarosław Miszczak IITiS PAN Gliwice 05/10/2016 1 / 19 1 Metainformacje Prowadzący, terminy, i.t.p. Cele wykładu Zasady
Bardziej szczegółowoAlgorytmy 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 szczegółowoAlgorytmy mrówkowe. P. Oleksyk. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne
y mrówkowe P. Oleksyk Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne 14 kwietnia 2015 1 Geneza algorytmu - biologia 2 3 4 5 6 7 8 Geneza
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Mechatronika Rodzaj przedmiotu: obowiązkowy Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Zapoznanie studentów z inteligentnymi
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 szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 13. PROBLEMY OPTYMALIZACYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska PROBLEMY OPTYMALIZACYJNE Optymalizacja poszukiwanie
Bardziej szczegółowoStrategie Zespołowe (SZ) dr inż. Tomasz Białaszewski
Strategie Zespołowe (SZ) dr inż. Tomasz Białaszewski Tematyka wykładu Algorytmy Inteligencji Roju (Swarm Intelligence, SI) Optymalizacja kolonią mrówek (Ant Colony Optimization, ACO) Optymalizacja rojem
Bardziej szczegółowoObliczenia inspirowane Naturą
Obliczenia inspirowane Naturą Wykład 10 - Mrówki w labiryntach Jarosław Miszczak IITiS PAN Gliwice 05/05/2016 1 / 48 Na poprzednim wykładzie 1... 2... 3... 2 / 48 1 Motywacja biologiczna Podstawowe mechanizmy
Bardziej szczegółowoAlgorytmy genetyczne
Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą
Bardziej 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 szczegółowoKARTA MODUŁU KSZTAŁCENIA
KARTA MODUŁU KSZTAŁCENIA I. Informacje ogólne 1 Nazwa modułu kształcenia Sztuczna inteligencja 2 Nazwa jednostki prowadzącej moduł Instytut Informatyki, Zakład Informatyki Stosowanej 3 Kod modułu (wypełnia
Bardziej szczegółowoAlgorytm genetyczny (genetic algorithm)-
Optymalizacja W praktyce inżynierskiej często zachodzi potrzeba znalezienia parametrów, dla których system/urządzenie będzie działać w sposób optymalny. Klasyczne podejście do optymalizacji: sformułowanie
Bardziej szczegółowoRój cząsteczek. Particle Swarm Optimization. Adam Grycner. 18 maja Instytut Informatyki Uniwersytetu Wrocławskiego
Rój cząsteczek Particle Swarm Optimization Adam Grycner Instytut Informatyki Uniwersytetu Wrocławskiego 18 maja 2011 Adam Grycner Rój cząsteczek 1 / 38 Praca Kennedy ego i Eberhart a Praca Kennedy ego
Bardziej szczegółowoAlgorytmy 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 szczegółowoPSO Rój cząsteczek - Particle Swarm Optimization. Michał Szopiak
PSO Rój cząsteczek - Particle Swarm Optimization Michał Szopiak Inspiracje biologiczne Algorytm PSO wywodzą się z obserwacji gróp zwierzą tworzony przez członków ptasich stad, czy ławic ryb, który umożliwia
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 szczegółowoProgramowanie Współbieżne. Algorytmy
Programowanie Współbieżne Algorytmy Sortowanie przez scalanie (mergesort) Algorytm : 1. JEŚLI jesteś rootem TO: pobierz/wczytaj tablice do posortowania JEŚLI_NIE to pobierz tablicę do posortowania od rodzica
Bardziej szczegółowoAlgorytmy genetyczne
9 listopada 2010 y ewolucyjne - zbiór metod optymalizacji inspirowanych analogiami biologicznymi (ewolucja naturalna). Pojęcia odwzorowujące naturalne zjawiska: Osobnik Populacja Genotyp Fenotyp Gen Chromosom
Bardziej szczegółowoObliczenia Naturalne - Algorytmy rojowe
Literatura Obliczenia Naturalne - rojowe Paweł Paduch Politechnika Świętokrzyska 24 kwietnia 2014 Paweł Paduch Obliczenia Naturalne - rojowe 1 z 44 Plan wykładu Literatura 1 Literatura 2 Wprowadzenie Algorytm
Bardziej szczegółowoPLAN 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 szczegółowoObliczenia naturalne Natural Computing. Informatyka II stopień (I stopień / II stopień) ogólno akademicki (ogólno akademicki / praktyczny)
KARTA MODUŁU / KARTA PRZEDMIOTU Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych, moduł kierunkowy oólny Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK
Bardziej szczegółowoProblem Komiwojażera - algorytmy metaheurystyczne
Problem Komiwojażera - algorytmy metaheurystyczne algorytm mrówkowy algorytm genetyczny by Bartosz Tomeczko. All rights reserved. 2010. TSP dlaczego metaheurystyki i heurystyki? TSP Travelling Salesman
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Bardziej szczegółowoSystemy mrówkowe. Opracowali: Dawid Strucker, Konrad Baranowski
Systemy mrówkowe Opracowali: Dawid Strucker, Konrad Baranowski Wprowadzenie Algorytmy mrówkowe oparte są o zasadę inteligencji roju (ang. swarm intelligence). Służą głównie do znajdowania najkrótszej drogi
Bardziej szczegółowoZadanie 5 - Algorytmy genetyczne (optymalizacja)
Zadanie 5 - Algorytmy genetyczne (optymalizacja) Marcin Pietrzykowski mpietrzykowski@wi.zut.edu.pl wersja 1.0 1 Cel Celem zadania jest zapoznanie się z Algorytmami Genetycznymi w celu rozwiązywanie zadania
Bardziej szczegółowoUniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu.
SYLLABUS na rok akademicki 01/013 Tryb studiów Studia stacjonarne Kierunek studiów Informatyka Poziom studiów Pierwszego stopnia Rok studiów/ semestr /3 Specjalność Bez specjalności Kod katedry/zakładu
Bardziej szczegółowoAlgorytmy 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 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 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 szczegółowoRównoważność algorytmów optymalizacji
Równoważność algorytmów optymalizacji Reguła nie ma nic za darmo (ang. no free lunch theory): efektywność różnych typowych algorytmów szukania uśredniona po wszystkich możliwych problemach optymalizacyjnych
Bardziej szczegółowoCZYM SĄ OBLICZENIA NAT A URALNE?
CZYM SĄ OBLICZENIA NATURALNE? Co to znaczy obliczać (to compute)? Co to znaczy obliczać (to compute)? wykonywać operacje na liczbach? (komputer = maszyna licząca) wyznaczać wartości pewnych funkcji? (program
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Wykład 7. O badaniach nad sztuczną inteligencją Co nazywamy SZTUCZNĄ INTELIGENCJĄ? szczególny rodzaj programów komputerowych, a niekiedy maszyn. SI szczególną własność
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Wykład wstępny Plan prezentacji 1 Wprowadzenie Kontakt Tematyka wykładu Zasady zaliczenia 2 3
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 szczegółowoALGORYTMY GENETYCZNE (wykład + ćwiczenia)
ALGORYTMY GENETYCZNE (wykład + ćwiczenia) Prof. dr hab. Krzysztof Dems Treści programowe: 1. Metody rozwiązywania problemów matematycznych i informatycznych.. Elementarny algorytm genetyczny: definicja
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 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 szczegółowoTechniki optymalizacji
Techniki optymalizacji Metaheurystyki oparte na algorytmach lokalnego przeszukiwania Maciej Hapke maciej.hapke at put.poznan.pl GRASP Greedy Randomized Adaptive Search Procedure T.A. Feo, M.G.C. Resende,
Bardziej szczegółowoObliczenia Naturalne - Algorytmy Mrówkowe cz. 4
Plan Literatura Obliczenia Naturalne - Algorytmy Mrówkowe cz. 4 Paweł Paduch Politechnika Świętokrzyska 5 czerwca 2014 Paweł Paduch Obliczenia Naturalne - Algorytmy Mrówkowe cz. 4 1 z 51 Plan wykładu Plan
Bardziej szczegółowoProblem 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 szczegółowoAlgorytmy mrówkowe. H. Bednarz. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne
Algorytmy mrówkowe H. Bednarz Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne 13 kwietnia 2015 1 2 3 4 Przestrzeń poszukiwań Ograniczenia
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: INTELIGENTNE SYSTEMY OBLICZENIOWE Systems Based on Computational Intelligence Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj
Bardziej szczegółowoObliczenia Naturalne - Algorytmy Mrówkowe cz. 4
Plan Literatura Obliczenia Naturalne - y Mrówkowe cz. 4 Paweł Paduch Politechnika Świętokrzyska 12 czerwca 2014 Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz. 4 1 z 37 Plan wykładu Wstęp Plan Literatura
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoFestiwal Myśli Abstrakcyjnej, Warszawa, Czy SZTUCZNA INTELIGENCJA potrzebuje FILOZOFII?
Festiwal Myśli Abstrakcyjnej, Warszawa, 22.10.2017 Czy SZTUCZNA INTELIGENCJA potrzebuje FILOZOFII? Dwa kluczowe terminy Co nazywamy sztuczną inteligencją? zaawansowane systemy informatyczne (np. uczące
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 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 szczegółowoZagadnienia optymalizacji i aproksymacji. Sieci neuronowe.
Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe. zajecia.jakubw.pl/nai Literatura: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 997. PODSTAWOWE ZAGADNIENIA TECHNICZNE AI
Bardziej szczegółowoMetody przeszukiwania
Metody przeszukiwania Co to jest przeszukiwanie Przeszukiwanie polega na odnajdywaniu rozwiązania w dyskretnej przestrzeni rozwiązao. Zwykle przeszukiwanie polega na znalezieniu określonego rozwiązania
Bardziej szczegółowoWykład 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 szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj zajęć: wykład, laboratorium BIOCYBERNETYKA Biocybernetics Forma studiów:
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 szczegółowoJacek Skorupski pok. 251 tel konsultacje: poniedziałek , sobota zjazdowa
Jacek Skorupski pok. 251 tel. 234-7339 jsk@wt.pw.edu.pl http://skorupski.waw.pl/mmt prezentacje ogłoszenia konsultacje: poniedziałek 16 15-18, sobota zjazdowa 9 40-10 25 Udział w zajęciach Kontrola wyników
Bardziej szczegółowoMetody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści
Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji
Bardziej szczegółowoGospodarcze zastosowania algorytmów genetycznych
Marta Woźniak Gospodarcze zastosowania algorytmów genetycznych 1. Wstęp Ekonometria jako nauka zajmująca się ustalaniem za pomocą metod statystycznych ilościowych prawidłowości zachodzących w życiu gospodarczym
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 szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Jak określa się inteligencję naturalną? Jak określa się inteligencję naturalną? Inteligencja wg psychologów to: Przyrodzona, choć rozwijana w toku dojrzewania i uczenia
Bardziej szczegółowoKARTA PRZEDMIOTU. 17. Efekty kształcenia:
Z1-PU7 WYDANIE N1 Strona 1 z 4 (pieczęć wydziału) KARTA PRZEDMIOTU 1. Nazwa przedmiotu: CYBERNETYKA 2. Kod przedmiotu: CYB 3. Karta przedmiotu ważna od roku akademickiego: 2012/2013 4. Forma kształcenia:
Bardziej szczegółowoAlgorytmy grafowe. Wykład 1 Podstawy teorii grafów Reprezentacje grafów. Tomasz Tyksiński CDV
Algorytmy grafowe Wykład 1 Podstawy teorii grafów Reprezentacje grafów Tomasz Tyksiński CDV Rozkład materiału 1. Podstawowe pojęcia teorii grafów, reprezentacje komputerowe grafów 2. Przeszukiwanie grafów
Bardziej szczegółowoInformatyka I stopień (I stopień / II stopień) ogólno akademicki (ogólno akademicki / praktyczny) kierunkowy (podstawowy / kierunkowy / inny HES)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Zastosowanie sztucznych sieci neuronowych Nazwa modułu w informatyce Application of artificial
Bardziej szczegółowoAlgorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba
Algorytmy ewolucyjne - algorytmy genetyczne I. Karcz-Dulęba Algorytmy klasyczne a algorytmy ewolucyjne Przeszukiwanie przestrzeni przez jeden punkt bazowy Przeszukiwanie przestrzeni przez zbiór punktów
Bardziej szczegółowoOSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) Algorytmy i Struktury Danych PIŁA
OSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) 16.01.2003 Algorytmy i Struktury Danych PIŁA ALGORYTMY ZACHŁANNE czas [ms] Porównanie Algorytmów Rozwiązyjących problem TSP 100 000 000 000,000 10 000 000
Bardziej szczegółowoAlgorytmy Mrówkowe. Daniel Błaszkiewicz 11 maja 2011
Algorytmy Mrówkowe Daniel Błaszkiewicz 11 maja 2011 1 Wprowadzenie Popularnym ostatnimi laty podejściem do tworzenia nowych klas algorytmów do szukania rozwiązań problemów nie mających algorytmów rozwiązujących
Bardziej szczegółowoTomasz Pawlak. Zastosowania Metod Inteligencji Obliczeniowej
1 Zastosowania Metod Inteligencji Obliczeniowej Tomasz Pawlak 2 Plan prezentacji Sprawy organizacyjne Wprowadzenie do metod inteligencji obliczeniowej Studium wybranych przypadków zastosowań IO 3 Dane
Bardziej 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 szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 17. ALGORYTMY EWOLUCYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska KODOWANIE BINARNE Problem różnych struktur przestrzeni
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: SYSTEMY INFORMATYCZNE WSPOMAGAJĄCE DIAGNOSTYKĘ MEDYCZNĄ Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj zajęć: wykład, projekt
Bardziej szczegółowoWYKORZYSTANIE 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 szczegółowoProblemy z ograniczeniami
Problemy z ograniczeniami 1 2 Dlaczego zadania z ograniczeniami Wiele praktycznych problemów to problemy z ograniczeniami. Problemy trudne obliczeniowo (np-trudne) to prawie zawsze problemy z ograniczeniami.
Bardziej szczegółowoInżynieria danych I stopień Praktyczny Studia stacjonarne Wszystkie specjalności Katedra Inżynierii Produkcji Dr Małgorzata Lucińska
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 205/206 Z-ID-602 Wprowadzenie do uczenia maszynowego Introduction to Machine Learning
Bardziej szczegółowoAlgorytm dyskretnego PSO z przeszukiwaniem lokalnym w problemie dynamicznej wersji TSP
Algorytm dyskretnego PSO z przeszukiwaniem lokalnym w problemie dynamicznej wersji TSP Łukasz Strąk lukasz.strak@gmail.com Uniwersytet Śląski, Instytut Informatyki, Będzińska 39, 41-205 Sosnowiec 9 grudnia
Bardziej szczegółowoAlgorytmy 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 szczegółowoSztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych. Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010
Sztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010 Sieci neuronowe jednokierunkowa wielowarstwowa sieć neuronowa sieci Kohonena
Bardziej szczegółowoALGORYTMY 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 szczegółowoTechniki optymalizacji
Techniki optymalizacji Algorytm kolonii mrówek Idea Smuga feromonowa 1 Sztuczne mrówki w TSP Sztuczna mrówka agent, który porusza się z miasta do miasta Mrówki preferują miasta połączone łukami z dużą
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ SZTUCZNA INTELIGENCJA dwa podstawowe znaczenia Co nazywamy sztuczną inteligencją? zaawansowane systemy informatyczne (np. uczące się), pewną dyscyplinę badawczą (dział
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Wprowadzenie Maciej Hapke maciej.hapke at put.poznan.pl Literatura D.E. Goldberg Algorytmy genetyczne i zastosowania, WNT, 1995 Z. Michalewicz Algorytmy genetyczne + struktury danych
Bardziej szczegółowoAlgorytmy ewolucyjne
Algorytmy ewolucyjne wprowadzenie Piotr Lipiński lipinski@ii.uni.wroc.pl Piotr Lipiński Algorytmy ewolucyjne p.1/16 Cel wykładu zapoznanie studentów z algorytmami ewolucyjnymi, przede wszystkim nowoczesnymi
Bardziej szczegółowoK.Pieńkosz Badania Operacyjne Wprowadzenie 1. Badania Operacyjne. dr inż. Krzysztof Pieńkosz
K.Pieńkosz Wprowadzenie 1 dr inż. Krzysztof Pieńkosz Instytut Automatyki i Informatyki Stosowanej Politechniki Warszawskiej pok. 560 A tel.: 234-78-64 e-mail: K.Pienkosz@ia.pw.edu.pl K.Pieńkosz Wprowadzenie
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład II. Uczenie sztucznych neuronów.
Wstęp do teorii sztucznej inteligencji Wykład II Uczenie sztucznych neuronów. 1 - powtórzyć o klasyfikacji: Sieci liniowe I nieliniowe Sieci rekurencyjne Uczenie z nauczycielem lub bez Jednowarstwowe I
Bardziej szczegółowoSystemy wieloagentowe (Multi Agent Systems - MAS) aspekty wybrane
Systemy wieloagentowe (Multi Agent Systems - MAS) aspekty wybrane Opracowanie: dr inż. Tomasz Rutkowski Katedra Inżynierii Systemów Sterowania 2014/2015 Politechnika Gdańska Wydział Elektrotechniki i Automatyki
Bardziej szczegółowoOdkrywanie algorytmów kwantowych za pomocą programowania genetycznego
Odkrywanie algorytmów kwantowych za pomocą programowania genetycznego Piotr Rybak Koło naukowe fizyków Migacz, Uniwersytet Wrocławski Piotr Rybak (Migacz UWr) Odkrywanie algorytmów kwantowych 1 / 17 Spis
Bardziej szczegółowoAlgorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań
Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Anna Manerowska, Michal Kozakiewicz 2.12.2009 1 Wstęp Jako projekt na przedmiot MEUM (Metody Ewolucyjne Uczenia Maszyn)
Bardziej szczegółowoTomasz 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 szczegółowoSztuczne sieci neuronowe (SNN)
Sztuczne sieci neuronowe (SNN) Pozyskanie informacji (danych) Wstępne przetwarzanie danych przygotowanie ich do dalszej analizy Selekcja informacji Ostateczny model decyzyjny SSN - podstawy Sieci neuronowe
Bardziej szczegółowoStrefa pokrycia radiowego wokół stacji bazowych. Zasięg stacji bazowych Zazębianie się komórek
Problem zapożyczania kanałów z wykorzystaniem narzędzi optymalizacji Wprowadzenie Rozwiązanie problemu przydziału częstotliwości prowadzi do stanu, w którym każdej stacji bazowej przydzielono żądaną liczbę
Bardziej szczegółowoBadania 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 szczegółowoObliczenia z wykorzystaniem sztucznej inteligencji
Obliczenia z wykorzystaniem sztucznej inteligencji wykład III Systemy mrówkowe Joanna Kołodziejczyk marzec 2016 Joanna Kołodziejczyk Obliczenia z wykorzystaniem sztucznej inteligencji marzec 2016 1 / 38
Bardziej szczegółowo6. Klasyczny algorytm genetyczny. 1
6. Klasyczny algorytm genetyczny. 1 Idea algorytmu genetycznego została zaczerpnięta z nauk przyrodniczych opisujących zjawiska doboru naturalnego i dziedziczenia. Mechanizmy te polegają na przetrwaniu
Bardziej szczegółowoModele Obliczeń. Wykład 1 - Wprowadzenie. Marcin Szczuka. Instytut Matematyki, Uniwersytet Warszawski
Modele Obliczeń Wykład 1 - Wprowadzenie Marcin Szczuka Instytut Matematyki, Uniwersytet Warszawski Wykład fakultatywny w semestrze zimowym 2014/2015 Marcin Szczuka (MIMUW) Modele Obliczeń 2014/2015 1 /
Bardziej szczegółowoWprowadzenie do teorii systemów ekspertowych
Myślące komputery przyszłość czy utopia? Wprowadzenie do teorii systemów ekspertowych Roman Simiński siminski@us.edu.pl Wizja inteligentnych maszyn jest od wielu lat obecna w literaturze oraz filmach z
Bardziej szczegółowoKARTA PRZEDMIOTU. Dyscyplina:
KARTA PRZEDMIOTU Jednostka: WIPiE Dyscyplina: Poziom studiów: 3 Semestr: 3 lub 4 Forma studiów: stacjonarne Język wykładowy: Nazwa przedmiotu: Metody sztucznej inteligencji Symbol przedmiotu: MSI Liczba
Bardziej szczegółowoLABORATORIUM 7: Problem komiwojażera (TSP) cz. 2
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl OBLICZENIA EWOLUCYJNE LABORATORIUM 7: Problem komiwojażera (TSP) cz. 2 opracował:
Bardziej szczegółowoMODELOWANIE 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 szczegółowoAlgorytmy i struktury danych
POLITECHNIKA KRAKOWSKA - WIEiK KATEDRA AUTOMATYKI i TECHNIK INFORMACYJNYCH Algorytmy i struktury danych www.pk.edu.pl/~zk/aisd_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 5: Algorytmy
Bardziej szczegółowoPlan. Sztuczne systemy immunologiczne. Podstawowy słownik. Odporność swoista. Architektura systemu naturalnego. Naturalny system immunologiczny
Sztuczne systemy immunologiczne Plan Naturalny system immunologiczny Systemy oparte na selekcji klonalnej Systemy oparte na modelu sieci idiotypowej 2 Podstawowy słownik Naturalny system immunologiczny
Bardziej szczegółowo