ALHE Jarosław Arabas. Przeszukiwanie przestrzeni ścieżek w grafie. Algorytm A*
|
|
- Ksawery Janowski
- 4 lat temu
- Przeglądów:
Transkrypt
1 ALHE Jarosław Arabas Przeszukiwanie przestrzeni ścieżek w grafie Algorytm A*
2 Zbiór rozwiązań
3 Przestrzeń rozwiązań
4 Graf odległości Gd 362 Sz 170 Ol By Po 203 Zg Bi 193 Wa L 209 Wr 212 Ki Ka 80 Kr Lu
5 Przeszukiwanie niepoinformowane Gd Sz Ol By Bi Wa Po Zg L Lu Ki Wr Ka Kr
6 Struktura przestrzeni przeszukiwań Rozwiązania dopuszczalne (spełniające ograniczenia)
7 Przestrzeń przeszukiwań GdWaLPo (fragment) GdWaLWr GdWaL GdWaLKa GdWaBy GdOl GdWaOl GdSz Gd GdWa GdWaBi GdWaLu GdBy GdWaKi GdByL GdByLPo GdByLWr GdByWa GdByLKa GdByLKaWr GdByLKaKr GdWaKiKr GdWaLKaWr GdWaLKaKr
8 Przeszukiwanie w głąb i wszerz algorytm wszerz A {s 0 } while A x popfifo ( A) Y sąsiedzi( x) A A Y algorytm w głąb A {s 0 } while A x poplifo ( A ) Y sąsiedzi( x) A A Y
9 Kolejne odwiedzone węzły (wszerz) GdWaLPo GdWaL GdWaLWr GdWaLKa GdWaBy GdOl GdWaOl GdSz Gd GdWa GdWaBi GdWaLu GdBy GdWaKi GdByL GdByLPo GdByLWr GdByWa GdByLKa GdByLKaWr GdByLKaKr GdWaKiKr GdWaLKaWr GdWaLKaKr
10 Kolejne odwiedzone węzły (w głąb) GdWaLPo GdWaL GdWaLWr GdWaLKa GdWaBy GdOl GdWaOl GdSz Gd GdWa GdWaBi GdWaLu GdBy GdWaKi GdByL GdByLPo GdByLWr GdByWa GdByLKa GdByLKaWr GdByLKaKr GdWaKiKr GdWaLKaWr GdWaLKaKr
11 Funkcja kosztu (celu, użyteczności)
12 Algorytm najpierw najlepszy algorytm najpierw najlepszy A init (s 0 ) while! stop x poppriorityqueue ( A) Y sąsiedzi( x) A A Y
13 Niech mi każdy powie szczerze, skąd się funkcja celu bierze?
14 Niech mi każdy powie szczerze, skąd się funkcja celu bierze? Definicja funkcji celu zależy od rozwiązywanego zadania Rolą funkcji celu jest informowanie o stopniu przybliżenia się do rozwiązania
15 Graf odległości Gd 362 Sz 170 Ol By Po 203 Zg Bi 193 Wa L 209 Wr 212 Ki Ka 80 Kr Lu
16 Przestrzeń przeszukiwań GdWaLPo (fragment) GdWaLWr 514 GdWaL 170 GdOl 362 GdSz 377 GdWa Gd 0 GdBy 392 GdByL GdByLPo GdByLWr 165 GdByWa 435 GdWaLu 443 GdByLKa GdByLKaWr GdWaLKa 717 GdWaByGdWaLKaKr GdWaOl 589 GdWaBi 570 GdWaKi 555 GdByLKaKr 665 GdWaLKaWr GdWaKiKr 671
17 Ścieżka do celu w przestrzeni przeszukiwań cel start
18 Funkcja kosztu
19 Graf odległości i oszacowań Gd Sz Ol Zg 409 L Odległości do Krakowa Ka 80 Ki 116 Kr Bi Lu Wr 212 By Wa Po
20 Przestrzeń przeszukiwań GdWaLPo (fragment) GdWaLWr GdOl 362 GdSz GdWa Gd GdWaL GdWaLKa GdWaBy GdWaOl 589 GdWaBi GdBy GdByL GdByLPo GdByLWr GdByWa 435 GdWaLu 443 GdWaKi GdByLKa GdByLKaWr GdByLKaKr 665 GdWaKiKr 671 GdWaLKaWr GdWaLKaKr 797
21 Przestrzeń przeszukiwań GdWaLPo (fragment) GdWaLWr 170 GdOl 362 GdSz GdWa 659 Gd GdWaL GdWaLKa GdWaBy GdWaOl 589 GdWaBi GdBy GdByL GdByWa 435 GdByLPo GdByLWr GdWaLu 443 GdWaKi GdByLKa GdByLKaWr GdByLKaKr 665 GdWaKiKr 671 GdWaLKaWr GdWaLKaKr 797
22 Kiedy można mówić o funkcji heurystycznej Zadanie jest złożeniem składników Da się ocenić rozwiązanie cząstkowe Przestrzeń przeszukiwań obejmuje rozwiązania cząstkowe Algorytmy wszerz, w głąb, najpierw najlepszy są stosowalne w przestrzeniach rozwiązań cząstkowych Pożądana jest drzewiasta struktura przestrzeni A* jest odmianą najpierw najlepszy, która korzysta z sumy f. kosztu i f. heurystycznej
23 Idealna funkcja heurystyczna
24 Idealna funkcja heurystyczna
25 WANTED an oracle
26 Nieidealna funkcja heurystyczna
27 Funkcja heurystyczna (dla problemu minimalizacji) g(xi) h(xi) g(xj) h(xj) g(xs)=0 h(xs) g(xt) h(xt)=0 Nadmierny optymizm dopuszczalność: g(x)+h(x)<=g(xt) Błąd oszacowania malejący wraz ze zbliżaniem się do rozwiązania monotoniczność: g(xj)+h(xj)>=g(xi)+h(xi)
28 Funkcja kosztu i heurystyczna GdWaLPo Funkcja kosztu Funkcja heurystyczna Funkcja oceny 362 GdSz 170 GdOl GdWa 659 Gd GdWaL GdWaLWr GdWaLKa GdWaBy GdWaOl 589 GdWaBi GdBy GdByL GdByWa 435 GdByLPo GdByLWr GdWaLu 443 GdWaKi GdByLKa GdByLKaWr GdByLKaKr 665 GdWaKiKr 671 GdWaLKaWr GdWaLKaKr 797
29 Funkcja kosztu Funkcja kosztu Funkcja heurystyczna Funkcja oceny 362 GdSz 170 GdOl GdWa 659 Gd GdWaL GdWaLPo GdWaLWr GdWaLKa GdWaBy GdWaOl 589 GdWaBi GdBy GdByL GdByWa 435 GdByLPo GdByLWr GdWaLu 443 GdWaKi GdByLKa GdByLKaWr GdByLKaKr 665 GdWaKiKr 671 GdWaLKaWr GdWaLKaKr 797
30 Funkcja kosztu+heurystyczna GdWaLPo Funkcja kosztu Funkcja heurystyczna Funkcja oceny 362 GdSz 170 GdOl GdWa 659 Gd GdWaL GdWaLWr GdWaLKa GdWaBy GdWaOl 589 GdWaBi GdBy GdByL GdByWa 435 GdByLPo GdByLWr GdWaLu 443 GdWaKi GdByLKa GdByLKaWr GdByLKaKr 665 GdWaKiKr 671 GdWaLKaWr GdWaLKaKr 797
31 Zagadnienie komiwojażera Gd 362 Sz 170 Ol By Po 203 Zg Wa L 209 Wr 212 Ki Ka 80 Kr
32 Zagadnienie komiwojażera GdWaLPo GdOl GdWaL GdWaLWr GdWaLKa GdWaBy GdWaOl GdSz 377 GdWa Gd GdWaBi GdBy GdByL GdByLPo GdByLWr GdByWa 435 GdWaLu 443 GdWaKi 555 GdByLKa GdByLKaWr GdByLKaKr 665 GdWaKiKr 671 GdWaLKaWr GdWaLKaKr 797
33 Zagadnienie komiwojażera GdOlWaKiKrKaWrZgSzPoLByGd 2154 GdWaLPo 170 GdOl 362 GdSz 514 Gd GdWa GdBy GdByL GdByLPo GdByLWr GdWaL GdWaLKa GdWaBy GdWaOl 589 GdWaKi 555 GdByWa 435 GdByLKa GdByLKaWr GdWaLWr GdByLKaKr 665 GdWaKiKr 671 GdWaLKaWr GdWaLKaKr 797
34 Zagadnienie komiwojażera GdOlWaKiKrKaWrZgSzPoLByGd 2154 GdWaLPo 170 GdOl 362 GdSz Gd 514 GdWa GdBy GdByL GdByLPo GdByLWr GdWaL GdWaLKa GdWaBy GdWaOl 589 GdWaKi 555 GdByWa 435 GdByLKa GdByLKaWr GdByLPoSzZgWrKaKrKiWaOlGd 2154 GdWaLWr GdByLKaKr 665 GdWaKiKr 671 GdWaLKaWr GdWaLKaKr 797
35 Zagadnienie komiwojażera Gd 362 Sz 170 Ol By Po 203 Zg Wa L 209 Wr 212 Ki Ka 80 Kr
36 Zagadnienie komiwojażera GdOlWaKiKrKaWrZgSzPoLByGd 2154 GdWaLPo 170 GdOl 362 GdSz GdByLPo Gd GdByL GdByLWr GdWa GdWaL GdWaLKa GdWaBy GdWaOl GdWaKi GdBy GdByWa 435 GdByLKa GdByLKaWr GdByLPoSzZgWrKaKrKiWaOlGd 2154 GdWaLWr GdByLKaKr 665 GdWaKiKr 671 GdWaLKaWr GdWaLKaKr 797
37 Zagadnienie komiwojażera Gd 362 Sz 170 Ol By Po 203 Zg Wa L 209 Wr 212 Ki Ka 80 Kr
38 Funkcja heurystyczna Gd 362 Sz 170 Ol By Po 203 Zg Wa L 209 Wr 212 Ki Ka 80 Kr Posortowana lista wag krawędzi
39 Koszt ścieżki a funkcja heurystyczna Gd 362 Sz 170 Ol By Po 203 Zg Wa L 209 Wr 212 Ki Ka 80 Kr
40 Koszt ścieżki a funkcja heurystyczna Gd 362 Sz 170 Ol By Po 203 Zg Wa L 209 Wr 212 Ki Ka 80 Kr
41 Koszt ścieżki a funkcja heurystyczna Gd 362 Sz 170 Ol By Po 203 Zg Wa L 209 Wr 212 Ki Ka 80 Kr
42 Zagadnienie komiwojażera GdOlWaKiKrKaWrZgSzPoLByGd 2154 GdWaLPo 170 GdOl 362 GdSz GdByLPo Gd GdByL GdByLWr GdWa GdWaL GdWaLKa GdWaBy GdWaOl GdWaKi GdBy GdByWa 435 GdByLKa GdByLKaWr GdByLPoSzZgWrKaKrKiWaOlGd 2154 GdWaLWr GdByLKaKr 665 GdWaKiKr 671 GdWaLKaWr GdWaLKaKr 797
43 Zagadnienie komiwojażera inaczej ABCDFE ABCDEF ABCDFE ABDCEF ABDCFE ADBCFE ADBCEF ABDECF ADBECF Funkcja kosztu suma wag pełnego cyklu Funkcja heurystyczna?
44 Zagadnienie komiwojażera inaczej Funkcja kosztu suma wag pełnego cyklu. Funkcja heurystyczna?
45 Przykład - piętnastka Jaka jest reprezentacja rozwiązania? Co jest funkcją kosztu? Czy jest tu miejsce na funkcję heurystyczną? 9
46 Piętnastka - przestrzeń przeszukiwań
47 Solving 15 puzzle attempt #1
48 Przykład - piętnastka Reprezentacja rozwiązania stan planszy Funkcja kosztu Liczba elementów nieprawidłowo umiejcowionych Funkcja heurystyczna? 12
49 Piętnastka przestrzeń przeszukiwań - D L LD DL DD R DR RD RR
50 Przykład - piętnastka Reprezentacja rozwiązania sekwencja ruchów Funkcja kosztu długość sekwencji Funkcja heurystyczna Liczba ruchów, którą trzebaby wykonać gdyby kafelki sobie nie przeszkadzały 30 2:4 4:2 5:4 6:2 7:2 8:2 10:2 11:2 12:4 13:2 14:2 15:2
51 Knapsack problem N items Each item has its weight wi>0 and profit pi>0 Choose items such that total profit is maximized and total weight does not exceed W n max i=1 x i pi n i=1 xi w i W x i {0,1}
52 Knapsack problem N items Each item has its weight wi>0 and profit pi>0 Choose items such that total profit is maximized and total weight does not exceed W n max i=1 x i pi n i=1 xi w i W x i {0,1}
53 Knapsack problem search space???? 0??? 1??? 00?? 000? ?? 01?? 001? ? ? ? ?? 101? ? ?
54 Knapsack problem profit and heuristic function Profit function g( x)= i : x =1 pi i Heuristic function Items are sorted w.r.t. pi/wi (descending) h( x)= i : x =? y i pi i i : x =? y i w i=w i : x =1 xi w i i i y i [0,1]
55 Knapsack problem example profit and heuristic function Items i pi wi pi/wi W=13 Consider the solution Total profit: Total weight: Vector y: Heuristic function: x=? 0? 1? 1 g( x)= p 4 + p6 =5+3=8 w ( x )=w 4 +w 6 =3+3=6 y=[1,0,1/5,0,0,0] h( x)= /5=22
56 Kiedy można mówić o funkcji heurystycznej Zadanie jest złożeniem składników Da się ocenić rozwiązanie cząstkowe Przestrzeń przeszukiwań obejmuje rozwiązania cząstkowe Algorytmy wszerz, w głąb, najpierw najlepszy są stosowalne w przestrzeniach rozwiązań cząstkowych Pożądana jest drzewiasta struktura przestrzeni A* jest odmianą najpierw najlepszy, która korzysta z sumy f. kosztu i f. heurystycznej
Działanie algorytmu oparte jest na minimalizacji funkcji celu jako suma funkcji kosztu ( ) oraz funkcji heurystycznej ( ).
Algorytm A* Opracowanie: Joanna Raczyńska 1.Wstęp Algorytm A* jest heurystycznym algorytmem służącym do znajdowania najkrótszej ścieżki w grafie. Jest to algorytm zupełny i optymalny, co oznacza, że zawsze
Bardziej szczegółowoPorównanie algorytmów wyszukiwania najkrótszych ścieżek międz. grafu. Daniel Golubiewski. 22 listopada Instytut Informatyki
Porównanie algorytmów wyszukiwania najkrótszych ścieżek między wierzchołkami grafu. Instytut Informatyki 22 listopada 2015 Algorytm DFS w głąb Algorytm przejścia/przeszukiwania w głąb (ang. Depth First
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 5. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład. Prof. dr hab. inż. Jan Magott Algorytmy grafowe: podstawowe pojęcia, reprezentacja grafów, metody przeszukiwania, minimalne drzewa rozpinające, problemy
Bardziej szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 03/0 Przeszukiwanie w głąb i wszerz I Przeszukiwanie metodą
Bardziej szczegółowoWAE Jarosław Arabas Pełny schemat algorytmu ewolucyjnego
WAE Jarosław Arabas Pełny schemat algorytmu ewolucyjnego Algorytm ewolucyjny algorytm ewolucyjny inicjuj P 0 {P 0 1, P 0 2... P 0 μ } t 0 H P 0 while! stop for (i 1: λ) if (a< p c ) O t i mutation(crossover
Bardziej 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 szczegółowoMarcel Stankowski Wrocław, 23 czerwca 2009 INFORMATYKA SYSTEMÓW AUTONOMICZNYCH
Marcel Stankowski Wrocław, 23 czerwca 2009 INFORMATYKA SYSTEMÓW AUTONOMICZNYCH Przeszukiwanie przestrzeni rozwiązań, szukanie na ślepo, wszerz, w głąb. Spis treści: 1. Wprowadzenie 3. str. 1.1 Krótki Wstęp
Bardziej szczegółowoMetoda podziału i ograniczeń
Seminarium: Algorytmy heurystyczne Metoda podziału i ograniczeń Mateusz Łyczek Wrocław, 16 marca 011 r. 1 Metoda podziału i ograniczeń Metoda podziału i ograniczeń służy do rozwiązywania problemów optymalizacyjnych.
Bardziej szczegółowoAlgorytmika Problemów Trudnych
Algorytmika Problemów Trudnych Wykład 9 Tomasz Krawczyk krawczyk@tcs.uj.edu.pl Kraków, semestr letni 2016/17 plan wykładu Algorytmy aproksymacyjne: Pojęcie algorytmu aproksymacyjnego i współczynnika aproksymowalności.
Bardziej szczegółowoRozwiązywanie problemów metodą przeszukiwania
Rozwiązywanie problemów metodą przeszukiwania Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Reprezentacja problemu w przestrzeni stanów Jedną z ważniejszych metod sztucznej
Bardziej szczegółowoPodstawy sztucznej inteligencji
wykład II Problem solving 03 październik 2012 Jakie problemy możemy rozwiązywać? Cel: Zbudować inteligentnego agenta planującego, rozwiązującego problem. Szachy Kostka rubika Krzyżówka Labirynt Wybór trasy
Bardziej szczegółowoWprowadzenie do Sztucznej Inteligencji
Wprowadzenie do Sztucznej Inteligencji Wykład Studia Inżynierskie Przeszukiwanie przestrzeni stanów Przestrzeń stanów jest to czwórka uporządkowana [N,[, S, GD], gdzie: N jest zbiorem wierzchołków w odpowiadających
Bardziej szczegółowoDigraf. 13 maja 2017
Digraf 13 maja 2017 Graf skierowany, digraf, digraf prosty Definicja 1 Digraf prosty G to (V, E), gdzie V jest zbiorem wierzchołków, E jest rodziną zorientowanych krawędzi, między różnymi wierzchołkami,
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 szczegółowoWprowadzenie do Sztucznej Inteligencji
Wprowadzenie do Sztucznej Inteligencji Wykład Informatyka Studia InŜynierskie Przeszukiwanie przestrzeni stanów Przestrzeń stanów jest to czwórka uporządkowana [N,[, S, GD], gdzie: N jest zbiorem wierzchołków
Bardziej szczegółowoLABORATORIUM 2: Przeszukiwanie grafów cz. 2 strategie heurystyczne
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE LABORATORIUM 2: Przeszukiwanie grafów cz. 2 strategie heurystyczne
Bardziej szczegółowoWstęp do Sztucznej Inteligencji
Wstęp do Sztucznej Inteligencji Rozwiązywanie problemów-i Joanna Kołodziej Politechnika Krakowska Wydział Fizyki, Matematyki i Informatyki Rozwiązywanie problemów Podstawowe fazy: Sformułowanie celu -
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 12. PRZESZUKIWANIE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska ROZWIĄZYWANIE PROBLEMÓW JAKO PRZESZUKIWANIE Istotną rolę podczas
Bardziej szczegółowoHeurystyki. Strategie poszukiwań
Sztuczna inteligencja Heurystyki. Strategie poszukiwań Jacek Bartman Zakład Elektrotechniki i Informatyki Instytut Techniki Uniwersytet Rzeszowski DLACZEGO METODY PRZESZUKIWANIA? Sztuczna Inteligencja
Bardziej szczegółowoWprowadzenie do Sztucznej Inteligencji
Wprowadzenie do Sztucznej Inteligencji Wykład Informatyka Studia InŜynierskie Przeszukiwanie przestrzeni stanów Przestrzeń stanów jest to czwórka uporządkowana [N,, S, GD], gdzie: N jest zbiorem wierzchołków
Bardziej szczegółowoa) 7 b) 19 c) 21 d) 34
Zadanie 1. Pytania testowe dotyczące podstawowych własności grafów. Zadanie 2. Przy każdym z zadań może się pojawić polecenie krótkiej charakterystyki algorytmu. Zadanie 3. W zadanym grafie sprawdzenie
Bardziej szczegółowoProgramowanie dynamiczne i algorytmy zachłanne
Programowanie dynamiczne i algorytmy zachłanne Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii
Bardziej szczegółowoZłożoność obliczeniowa klasycznych problemów grafowych
Złożoność obliczeniowa klasycznych problemów grafowych Oznaczenia: G graf, V liczba wierzchołków, E liczba krawędzi 1. Spójność grafu Graf jest spójny jeżeli istnieje ścieżka łącząca każdą parę jego wierzchołków.
Bardziej szczegółowoTEORIA GRAFÓW I SIECI
TEORIA GRAFÓW I SIECI Temat nr : Grafy Berge a dr hab. inż. Zbigniew TARAPATA, prof. WAT e-mail: zbigniew.tarapata@wat.edu.pl http://tarapata.edu.pl tel.: 6-83-95-0, p.5/00 Zakład Badań Operacyjnych i
Bardziej szczegółowoWykład2,24II2010,str.1 Przeszukiwanie przestrzeni stanów powtórka
Wykład2,24II2010,str.1 Przeszukiwanie przestrzeni stanów powtórka DEFINICJA: System produkcji M zbiórst.zw.stanów wyróżnionys 0 St.zw.stanpoczątkowy podzbiórg St.zw.stanówdocelowych zbiórot.zw.operacji:
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 9 PRZESZUKIWANIE GRAFÓW Z
Bardziej szczegółowoZaawansowane programowanie
Zaawansowane programowanie wykład 3: inne heurystyki prof. dr hab. inż. Marta Kasprzak Instytut Informatyki, Politechnika Poznańska Heurystyką nazywamy algorytm (metodę) zwracający rozwiązanie przybliżone.
Bardziej szczegółowoWykład 7. Algorytmy grafowe
Wykład Algorytmy grafowe Algorytmy grafowe i podstawowe algorytmy przeszukiwania Problem Definicje i własności Reprezentacja Przeszukiwanie wszerz (Breadthirst Search) Przeszukiwanie w głąb (Depthirst
Bardziej szczegółowoĆWICZENIE 1: Przeszukiwanie grafów cz. 1 strategie ślepe
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE ĆWICZENIE 1: Przeszukiwanie grafów cz. 1 strategie ślepe opracował:
Bardziej szczegółowoSztuczna Inteligencja i Systemy Doradcze
Sztuczna Inteligencja i Systemy Doradcze Przeszukiwanie przestrzeni stanów algorytmy ślepe Przeszukiwanie przestrzeni stanów algorytmy ślepe 1 Strategie slepe Strategie ślepe korzystają z informacji dostępnej
Bardziej szczegółowoĆWICZENIE 1: Przeszukiwanie grafów strategie heurystyczne
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE studia niestacjonarne ĆWICZENIE 1: Przeszukiwanie grafów strategie
Bardziej szczegółowoWyznaczanie optymalnej trasy problem komiwojażera
Wyznaczanie optymalnej trasy problem komiwojażera Optymalizacja w podejmowaniu decyzji Opracowała: mgr inż. Natalia Malinowska Wrocław, dn. 28.03.2017 Wydział Elektroniki Politechnika Wrocławska Plan prezentacji
Bardziej szczegółowoWstęp do programowania. Drzewa. Piotr Chrząstowski-Wachtel
Wstęp do programowania Drzewa Piotr Chrząstowski-Wachtel Drzewa Drzewa definiują matematycy, jako spójne nieskierowane grafy bez cykli. Równoważne określenia: Spójne grafy o n wierzchołkach i n-1 krawędziach
Bardziej szczegółowoProblem skoczka szachowego i inne cykle Hamiltona na szachownicy n x n
i inne cykle Hamiltona na szachownicy n x n Uniwersytet Warszawski 15 marca 2007 Agenda 1 2 naiwne Prosty algorytm liniowy 3 Problem znany był już od bardzo dawna, jako łamigłówka logiczna. Był też stosowany
Bardziej szczegółowoSztuczna Inteligencja i Systemy Doradcze
ztuczna Inteligencja i ystemy Doradcze Przeszukiwanie przestrzeni stanów Przeszukiwanie przestrzeni stanów 1 Postawienie problemu eprezentacja problemu: stany: reprezentują opisy różnych stanów świata
Bardziej szczegółowoAlgorytmiczna teoria grafów
Przedmiot fakultatywny 20h wykładu + 20h ćwiczeń 21 lutego 2014 Zasady zaliczenia 1 ćwiczenia (ocena): kolokwium, zadania programistyczne (implementacje algorytmów), praca na ćwiczeniach. 2 Wykład (egzamin)
Bardziej szczegółowoJak poprawnie wype ni RZ-3?
Instrukcja Jak poprawnie wype ni RZ-3? Lista potrzebnych dokumentów do wype nienia i z enia wniosku RZ-3 Dokumenty niezb dne do wype nienia wniosku: Wniosek RZ-3 Pismo od SF ze zgod na wykre lenie przedmiotu
Bardziej szczegółowoOgólne wiadomości o grafach
Ogólne wiadomości o grafach Algorytmy i struktury danych Wykład 5. Rok akademicki: / Pojęcie grafu Graf zbiór wierzchołków połączonych za pomocą krawędzi. Podstawowe rodzaje grafów: grafy nieskierowane,
Bardziej szczegółowoAlgorytmy i str ruktury danych. Metody algorytmiczne. Bartman Jacek
Algorytmy i str ruktury danych Metody algorytmiczne Bartman Jacek jbartman@univ.rzeszow.pl Metody algorytmiczne - wprowadzenia Znamy strukturę algorytmów Trudność tkwi natomiast w podaniu metod służących
Bardziej szczegółowoHeurystyczne metody przeszukiwania
Heurystyczne metody przeszukiwania Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Pojęcie heurystyki Metody heurystyczne są jednym z ważniejszych narzędzi sztucznej inteligencji.
Bardziej szczegółowoPlanowanie przedsięwzięć
K.Pieńkosz Badania Operacyjne Planowanie przedsięwzięć 1 Planowanie przedsięwzięć Model przedsięwzięcia lista operacji relacje poprzedzania operacji modele operacji funkcja celu planowania K.Pieńkosz Badania
Bardziej szczegółowoInstrukcja obiegu i kontroli dokumentów powodujących skutki finansowo-gospodarcze w ZHP Spis treści
C h o r ą g i e w D o l n o l ą s k a Z H P U c h w a ł a n r 2 1 / I X / 2 0 1 5 K o m e n d y C h o r ą g w i D o l n o 6 l ą s k i e j Z H P z d n i a 2 10. 5. 2 0 1 5 r. w s p r a w i e I n s t r u
Bardziej szczegółowoAlgorytmy stochastyczne laboratorium 03
Algorytmy stochastyczne laboratorium 03 Jarosław Piersa 10 marca 2014 1 Projekty 1.1 Problem plecakowy (1p) Oznaczenia: dany zbiór przedmiotów x 1,.., x N, każdy przedmiot ma określoną wagę w(x i ) i wartość
Bardziej szczegółowoWstęp do programowania
Wstęp do programowania Algorytmy zachłanne, algoritme Dijkstry Paweł Daniluk Wydział Fizyki Jesień 2013 P. Daniluk(Wydział Fizyki) WP w. XI Jesień 2013 1 / 25 Algorytmy zachłanne Strategia polegająca na
Bardziej szczegółowoZofia Kruczkiewicz, Algorytmu i struktury danych, Wykład 14, 1
Wykład Algorytmy grafowe metoda zachłanna. Właściwości algorytmu zachłannego:. W przeciwieństwie do metody programowania dynamicznego nie występuje etap dzielenia na mniejsze realizacje z wykorzystaniem
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 szczegółowoAlgorytmy dla gier dwuosobowych
Algorytmy dla gier dwuosobowych Wojciech Dudek Seminarium Nowości Komputerowe 5 czerwca 2008 Plan prezentacji Pojęcia wstępne (gry dwuosobowe, stan gry, drzewo gry) Algorytm MiniMax Funkcje oceniające
Bardziej szczegółowoPodstawy sztucznej inteligencji
wykład 2 Strategie przeszukiwania - ślepe i heurystyczne 27 październik 2011 Plan wykładu 1 Strategie czyli jak znaleźć rozwiązanie problemu Jak wykonać przeszukiwanie Przeszukiwanie przestrzeni stanów
Bardziej szczegółowoCZYM JEST SZTUCZNA INTELIGENCJA? REPREZENTACJA WIEDZY SZTUCZNA INTELIGENCJA PROJEKTOWANIE ALGORYTMÓW I METODY SZTUCZNEJ INTELIGENCJI
PROJEKTOWANIE ALGORYTMÓW I METODY SZTUCZNEJ INTELIGENCJI CZYM JEST SZTUCZNA INTELIGENCJA? Jak działa ludzki mózg? SZTUCZNA INTELIGENCJA Jak zasymulować ludzki mózg? Co to kogo obchodzi zróbmy coś pożytecznego
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 szczegółowoŁ Ł ć ć ż ż ż ź ź Ć ń ł ź ż ś ł ź ń ś ż ś ś ś ś ż ź ż ż ź ł ż ż ż ś ś ś ś ż ś ś ź Ś ś ż ś ś ł ż ś ś ł ź ź Ź ś ź ł ż ż ń ł ść ł ś ść ś ż ć ś ż ś ś ź ń ć ź ść ź ż ż ść ć ść ść Ź Ź ł ś ń ł ś ś ł ł ś ś ś ś
Bardziej szczegółowoMATEMATYKA DYSKRETNA - MATERIAŁY DO WYKŁADU GRAFY
ERIAŁY DO WYKŁADU GRAFY Graf nieskierowany Grafem nieskierowanym nazywamy parę G = (V, E), gdzie V jest pewnym zbiorem skończonym (zwanym zbiorem wierzchołków grafu G), natomiast E jest zbiorem nieuporządkowanych
Bardziej szczegółowo1. Algorytmy przeszukiwania. Przeszukiwanie wszerz i w głąb.
1. Algorytmy przeszukiwania. Przeszukiwanie wszerz i w głąb. Algorytmy przeszukiwania w głąb i wszerz są najczęściej stosowanymi algorytmami przeszukiwania. Wykorzystuje się je do zbadania istnienia połączenie
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 szczegółowoEgzaminy i inne zadania. Semestr II.
Egzaminy i inne zadania. Semestr II. Poniższe zadania są wyborem zadań ze Wstępu do Informatyki z egzaminów jakie przeprowadziłem w ciągu ostatnich lat. Ponadto dołączyłem szereg zadań, które pojawiały
Bardziej szczegółowoEgzamin z Metod Numerycznych ZSI, Egzamin, Gr. A
Egzamin z Metod Numerycznych ZSI, 06.2007. Egzamin, Gr. A Imię i nazwisko: Nr indeksu: Section 1. Test wyboru, max 33 pkt Zaznacz prawidziwe odpowiedzi literą T, a fałszywe N. Każda prawidłowa odpowiedź
Bardziej szczegółowoA Zadanie
where a, b, and c are binary (boolean) attributes. A Zadanie 1 2 3 4 5 6 7 8 9 10 Punkty a (maks) (2) (2) (2) (2) (4) F(6) (8) T (8) (12) (12) (40) Nazwisko i Imiȩ: c Uwaga: ta część zostanie wypełniona
Bardziej szczegółowoAlgorytmy wyznaczania centralności w sieci Szymon Szylko
Algorytmy wyznaczania centralności w sieci Szymon Szylko Zakład systemów Informacyjnych Wrocław 10.01.2008 Agenda prezentacji Cechy sieci Algorytmy grafowe Badanie centralności Algorytmy wyznaczania centralności
Bardziej szczegółowoWstęp do Programowania potok funkcyjny
Wstęp do Programowania potok funkcyjny Marcin Kubica 2010/2011 Outline 1 Podstawowe pojęcia Definition Graf = wierzchołki + krawędzie. Krawędzie muszą mieć różne końce. Między dwoma wierzchołkami może
Bardziej szczegółowoDrzewa spinające MST dla grafów ważonych Maksymalne drzewo spinające Drzewo Steinera. Wykład 6. Drzewa cz. II
Wykład 6. Drzewa cz. II 1 / 65 drzewa spinające Drzewa spinające Zliczanie drzew spinających Drzewo T nazywamy drzewem rozpinającym (spinającym) (lub dendrytem) spójnego grafu G, jeżeli jest podgrafem
Bardziej szczegółowo5c. Sieci i przepływy
5c. Sieci i przepływy Grzegorz Kosiorowski Uniwersytet Ekonomiczny w Krakowie zima 2016/2017 rzegorz Kosiorowski (Uniwersytet Ekonomiczny w Krakowie) 5c. Sieci i przepływy zima 2016/2017 1 / 40 1 Definicje
Bardziej szczegółowoHarmonogramowanie przedsięwzięć
Harmonogramowanie przedsięwzięć Mariusz Kaleta Instytut Automatyki i Informatyki Stosowanej Politechnika Warszawska luty 2014, Warszawa Politechnika Warszawska Harmonogramowanie przedsięwzięć 1 / 25 Wstęp
Bardziej szczegółowoALGORYTM KLASTERYZACJI W ZASTOSOWANIU DO PROBLEMU TRASOWANIA POJAZDÓW
Logistyka - nauka Tomasz AMBROZIAK *, Roland JACHIMOWSKI * ALGORYTM KLASTERYZACJI W ZASTOSOWANIU DO PROBLEMU TRASOWANIA POJAZDÓW Streszczenie W artykule scharakteryzowano problematykę klasteryzacji punktów
Bardziej szczegółowoModele całkowitoliczbowe zagadnienia komiwojażera (TSP)
& Zagadnienie komowojażera 1 Modele całkowitoliczbowe zagadnienia komiwojażera (TSP) Danych jest miast oraz macierz odległości pomiędzy każdą parą miast. Komiwojażer wyjeżdża z miasta o numerze 1 chce
Bardziej szczegółowoPrzykłady problemów optymalizacyjnych
Przykłady problemów optymalizacyjnych NAJKRÓTSZA ŚCIEŻKA W zadanym grafie G = (V, A) wyznacz najkrótsza ścieżkę od wierzchołka s do wierzchołka t. 2 7 5 5 3 9 5 s 8 3 1 t 2 2 5 5 1 5 4 Przykłady problemów
Bardziej szczegółowoAlgorytmy i Struktury Danych.
Algorytmy i Struktury Danych. Grafy dr hab. Bożena Woźna-Szcześniak bwozna@gmail.com Jan Długosz University, Poland Wykład 9 Bożena Woźna-Szcześniak (AJD) Algorytmy i Struktury Danych. Wykład 9 1 / 53
Bardziej szczegółowoWykład 8. Drzewo rozpinające (minimum spanning tree)
Wykład 8 Drzewo rozpinające (minimum spanning tree) 1 Minimalne drzewo rozpinające - przegląd Definicja problemu Własności minimalnych drzew rozpinających Algorytm Kruskala Algorytm Prima Literatura Cormen,
Bardziej szczegółowoAlgorytm Dijkstry znajdowania najkrótszej ścieżki w grafie
Algorytm Dijkstry znajdowania najkrótszej ścieżki w grafie Używane struktury danych: V - zbiór wierzchołków grafu, V = {1,2,3...,n} E - zbiór krawędzi grafu, E = {(i,j),...}, gdzie i, j Î V i istnieje
Bardziej szczegółowoE: Rekonstrukcja ewolucji. Algorytmy filogenetyczne
E: Rekonstrukcja ewolucji. Algorytmy filogenetyczne Przypominajka: 152 drzewo filogenetyczne to drzewo, którego liśćmi są istniejące gatunki, a węzły wewnętrzne mają stopień większy niż jeden i reprezentują
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 szczegółowoProgramowanie obiektowe
Programowanie obiektowe Sieci powiązań Paweł Daniluk Wydział Fizyki Jesień 2015 P. Daniluk (Wydział Fizyki) PO w. IX Jesień 2015 1 / 21 Sieci powiązań Można (bardzo zgrubnie) wyróżnić dwa rodzaje powiązań
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 szczegółowoPrzykłady grafów. Graf prosty, to graf bez pętli i bez krawędzi wielokrotnych.
Grafy Graf Graf (ang. graph) to zbiór wierzchołków (ang. vertices), które mogą być połączone krawędziami (ang. edges) w taki sposób, że każda krawędź kończy się i zaczyna w którymś z wierzchołków. Graf
Bardziej szczegółowoMatematyka dyskretna. Andrzej Łachwa, UJ, /14
Matematyka dyskretna Andrzej Łachwa, UJ, 2016 andrzej.lachwa@uj.edu.pl 13/14 Grafy podstawowe definicje Graf to para G=(V, E), gdzie V to niepusty i skończony zbiór, którego elementy nazywamy wierzchołkami
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 szczegółowoSPÓJNOŚĆ. ,...v k. }, E={v 1. v k. i v k. ,...,v k-1. }. Wierzchołki v 1. v 2. to końce ścieżki.
SPÓJNOŚĆ Graf jest spójny, gdy dla każdego podziału V na dwa rozłączne podzbiory A i B istnieje krawędź z A do B. Definicja równoważna: Graf jest spójny, gdy każde dwa wierzchołki są połączone ścieżką
Bardziej szczegółowoxx + x = 1, to y = Jeśli x = 0, to y = 0 Przykładowy układ Funkcja przykładowego układu Metody poszukiwania testów Porównanie tabel prawdy
Testowanie układów kombinacyjnych Przykładowy układ Wykrywanie błędów: 1. Sklejenie z 0 2. Sklejenie z 1 Testem danego uszkodzenia nazywa się takie wzbudzenie funkcji (wektor wejściowy), które daje błędną
Bardziej szczegółowoWykłady z Matematyki Dyskretnej
Wykłady z Matematyki Dyskretnej dla kierunku Informatyka dr Instytut Informatyki Politechnika Krakowska Wykłady na bazie materiałów: dra hab. Andrzeja Karafiata dr hab. Joanny Kołodziej, prof. PK Grafy
Bardziej szczegółowoOPTYMALIZACJA W LOGISTYCE
OPTYMALIZACJA W LOGISTYCE Optymalizacja zadań bazy transportowej ( część 1 ) Opracowano na podstawie : Stanisław Krawczyk, Metody ilościowe w logistyce ( przedsiębiorstwa ), Wydawnictwo C. H. Beck, Warszawa
Bardziej szczegółowoWstęp do Programowania potok funkcyjny
Wstęp do Programowania potok funkcyjny Marcin Kubica 2010/2011 Outline 1 BFS DFS Algorytm Dijkstry Algorytm Floyda-Warshalla Podstawowe pojęcia Definition Graf = wierzchołki + krawędzie. Krawędzie muszą
Bardziej szczegółowoAlgorytmy i Struktury Danych.
Algorytmy i Struktury Danych. Grafy dr hab. Bożena Woźna-Szcześniak bwozna@gmail.com Jan Długosz University, Poland Wykład 9 Bożena Woźna-Szcześniak (AJD) Algorytmy i Struktury Danych. Wykład 9 1 / 20
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 7. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 7 Prof. dr hab. inż. Jan Magott Problemy NP-zupełne Transformacją wielomianową problemu π 2 do problemu π 1 (π 2 π 1 ) jest funkcja f: D π2 D π1 spełniająca
Bardziej szczegółowoAlgorytmy grafowe. Wykład 2 Przeszukiwanie grafów. Tomasz Tyksiński CDV
Algorytmy grafowe Wykład 2 Przeszukiwanie grafów Tomasz Tyksiński CDV Rozkład materiału 1. Podstawowe pojęcia teorii grafów, reprezentacje komputerowe grafów 2. Przeszukiwanie grafów 3. Spójność grafu,
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 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 szczegółowoWABOT CZYM JEST SZTUCZNA INTELIGENCJA? SZTUCZNA INTELIGENCJA REPREZENTACJA WIEDZY KNOWLEDGE SOUP PROBLEM
PROJEKTOWANIE ALGORYTMÓW I METODY SZTUCZNEJ INTELIGENCJI SZTUCZNA INTELIGENCJA WABOT Organista Ichiro Kato, Waseda University Tokyo Wykład dr inż. Łukasz Jeleń Część slajdów pochodzi z wykładu prof. Christiana
Bardziej szczegółowoTeoria grafów II. Materiały pomocnicze do wykładu. wykładowca: dr Magdalena Kacprzak
Teoria grafów II Materiały pomocnicze do wykładu wykładowca: dr Magdalena Kacprzak Graf planarny Graf planarny Graf, który może być narysowany tak, by uniknąć przecinania się krawędzi, nazywamy grafem
Bardziej szczegółowoElementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD V: Agent wciąż szuka rozwiązania (choć już nie na ślepo)
Elementy kognitywistyki II: Sztuczna inteligencja WYKŁAD V: Agent wciąż szuka rozwiązania (choć już nie na ślepo) Poprzednio: węzeł reprezentowany jest jako piątka: stan odpowiadający węzłowi rodzic węzła
Bardziej szczegółowoAlgorytmy i Struktury Danych.
Algorytmy i Struktury Danych. Grafy Bożena Woźna-Szcześniak bwozna@gmail.com Jan Długosz University, Poland Wykład 8 Bożena Woźna-Szcześniak (AJD) Algorytmy i Struktury Danych. Wykład 8 1 / 39 Plan wykładu
Bardziej szczegółowo9. Schematy aproksymacyjne
9. Schematy aproksymacyjne T.H. Cormen, C.E. Leiserson, R.L. Rivest, C. Stein Wprowadzenie do algorytmów, WNT (2004) O.H. Ibarra, C.E. Kim Fast approximation algorithms for the knapsack and sum of subset
Bardziej szczegółowoWykład 10 Grafy, algorytmy grafowe
. Typy złożoności obliczeniowej Wykład Grafy, algorytmy grafowe Typ złożoności oznaczenie n Jedna operacja trwa µs 5 logarytmiczna lgn. s. s.7 s liniowa n. s.5 s. s Logarytmicznoliniowa nlgn. s.8 s.4 s
Bardziej szczegółowoLiteratura. 1) Pojęcia: złożoność czasowa, rząd funkcji. Aby wyznaczyć pesymistyczną złożoność czasową algorytmu należy:
Temat: Powtórzenie wiadomości z PODSTAW INFORMATYKI I: Pojęcia: złożoność czasowa algorytmu, rząd funkcji kosztu. Algorytmy. Metody programistyczne. Struktury danych. Literatura. A. V. Aho, J.E. Hopcroft,
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 szczegółowoWOJEWÓDZKI IN S P EKT OR A T OC H R ON Y ŚR ODOWIS KA W KR A KOWIE M 2 0 0 2 U RAPORT O STANIE ŚRODOWISK A W WOJ EWÓ DZ TWIE AŁ OPOL SK IM W ROK BIBLIOTEKA MON ITOR IN G U ŚR OD OW IS KA K r a k ó w 2003
Bardziej szczegółowoAlgorytmy i struktury danych
Algorytmy i struktury danych Wykład 11 - Grafy i podstawowe algorytmy grafowe (ciąg dalszy) Janusz Szwabiński Plan wykładu: Przeszukiwanie w głąb Studium przypadku - zagadnienie skoczka szachowego (ang.
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 szczegółowoGdyńskim Ośrodkiem Sportu i Rekreacji jednostka budżetowa
Z a ł» c z n i k n r 5 d o S p e c y f i k a c j i I s t o t n y c h W a r u n k Zó aw m ó w i e n i a Z n a k s p r a w y G O S I R D Z P I 2 7 1 0 1 1 2 0 14 W Z Ó R U M O W Y z a w a r t a w Gd y n
Bardziej szczegółowoPrzypomnij sobie krótki wstęp do teorii grafów przedstawiony na początku semestru.
Spis treści 1 Drzewa 1.1 Drzewa binarne 1.1.1 Zadanie 1.1.2 Drzewo BST (Binary Search Tree) 1.1.2.1 Zadanie 1 1.1.2.2 Zadanie 2 1.1.2.3 Zadanie 3 1.1.2.4 Usuwanie węzła w drzewie BST 1.1.2.5 Zadanie 4
Bardziej szczegółowo