Na poprzednim wykładzie:

Wielkość: px
Rozpocząć pokaz od strony:

Download "Na poprzednim wykładzie:"

Transkrypt

1 ALGORYTMY EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. wykład VALUE 3 fitness f. value FITNESS F. COMPUTATION communication with other subpopulations EVOLUTIONARY OPERATORS MIGRATION PHASE SELECTION YES TERMINATION CONDITION NO END 1

2 Na poprzednim wykładzie: AG -> AE. Metody reprodukcji, metody sukcesji. Eksploracja i eksploatacja. Ocena działania AE. Kryteria zatrzymania AE. SELEKCJA = REPRODUKCJA (preselekcja) + SUKCESJA (postselekcja) 2

3 OPERATORY KRZYśOWANIA 3

4 Para rodziców para potomków Zwykle : 2 osobniki rodzicielskie - 2 (sprzęŝ ęŝone) osobniki potomne. Pojedynczy osobnik potomny wariant dwuosobniczy para osobników w rodzicielskich; wariant globalny globalny jeden wiodący i n pomocniczych osobników w rodzicielskich (po jednym dla kaŝdego genu). KrzyŜowanie wieloosobnicze: z wieloma osobnikami potomnymi; z jednym osobnikiem potomnym. 4

5 OPERATORY KRZYśOWANIA WYMIENIAJĄCEGO 5

6 Tworzą chromosomy potomne przez składanie ich z wartości genów w chromosomów rodzicielskich. Mogą być wykorzystywane zarówno przy kodo- waniu binarnym, jak i rzeczywistoliczbowym. Nie dochodzi do modyfikacji wartości genów zawartych w chromosomach krzyŝowanych osobników w rodzicielskich (tylko ich przetasowanie). 6

7 KRZYśOWANIE JEDNOPUNKTOWE (proste) wybór r (z rozkładem jednostajnym) liczby c (punkt rozcięcia) cia) ze zbioru {1, 2,..., n -1} n - długość osobnika; Podział chromosomów X 1 i X 2 poddawanych krzyŝowaniu na dwie częś ęści i ich sklejanie: Y = [X[ 1 1,,..., X 1 c, X 2 c+1,, X 2 n]. W wersji z 2 osobnikami potomnymi drugi potomek: Z = [X[ 2 1,,..., X 2 c, X 1 c+1,, X 1 n] 7

8 X 1 X Y 3.24 Z c

9 KRZYśOWANIE DWUPUNKTOWE wybór r 2 punktów w rozcięcia cia c 1 i c 2 ; Podział chromosomów X 1 i X 2 poddawanych krzyŝo- waniu na 3 częś ęści i wymiana środkowej częś ęści: Y = [X[ 1 1,,..., X 1 c1, X 2 c1+1,, X 2 c2, X 1 c2+1,, X 1 n] W wersji z 2 osobnikami potomnymi drugi potomek: Z = [X[ 2 1,,..., X 2 c1, X 1 c1+1,, X 1 c2, X 2 c2+1,, X 2 n] c 1 = c 2 krzyŝowanie jednopunktowe 9

10 X 1 X Y 3.24 Z c c KRZYśOWANIE WIELOPUNKTOWE... 10

11 KRZYśOWANIE RÓWNOMIERNER Chromosom potomny: Y i X = X 1 i 2 i jeśli wylosowano liczbę <p e ; w przeciwnym razie. p e parametr krzyŝowania (typowo p e =0.5) W wersji z 2 osobnikami potomnymi drugi potomek: Z i X = X 2 i 1 i jeśli Y i = X 1 i ; w przeciwnym razie. 11

12 p e =0.5 X 1 X 2 wylosowano Y Z

13 KRZYśOWANIE DIAGONALNE Jest krzyŝowaniem wieloosobniczym. Tworzy r potomków w z r rodziców w przy c = r - 1 punktach krzyŝowania. Osobniki potomne powstają w wyniku składania fragmentów w kodu po przekątnej. Dla 3 osobników: Y = [X[ 1 1,,..., X 1 c1, X 2 c1+1,, X 2 c2, X 3 c2+1,, X 3 n] Z = [X[ 2 1,,..., X 2 c1, X 3 c1+1,, X 3 c2, X 1 c2+1,, X 1 n] W = [X[ 3 1,,..., X 3 c1, X 1 c1+1,, X 1 c2, X 2 c2+1,, X 2 n] 13

14 X 1 X 2 X 3 Y Z W W wersji 1 potomkiem tylko potomek Y 14

15 OPERATORY KRZYśOWANIA UŚREDNIAJĄCEGO 15

16 Są specyficzne dla kodowania rzeczywistoliczbowego; Oddziałują na wartości genów chromosomów poddawanych krzyŝowaniu; Wartości kaŝdego genu chromosomów potomnych są liczbami zawierającymi się między największą i najmniejszą wartością genu chromosomów rodzicielskich. 16

17 KRZYśOWANIE ARYTMETYCZNE generowanie liczby losowej k z zakresu (0,1) lub jej arbitralny wybór; uśrednianie arytmetyczne wartości genów chromosomów w rodzicielskich: Y = X 1 + k (X 2 - X 1 ) W wersji z 2 osobnikami potomnymi drugi potomek: Z = X 2 + X 1 - Y 1 17

18 X 1 X 2 Y Z k=

19 X 2 Potomek 2 Rodzic 2 Potomek 1 Linia krzyŝowania k=0.25 Rodzic 1 X 1 19

20 KRZYśOWANIE HEURYSTYCZNE Nie jest krzyŝowaniem uśredniaju redniającym! Generowanie liczby losowej k z zakresu (0,1); Tworzy się (maksymalnie) jednego potomka: przy załoŝeniu, Ŝe X 2 X 1 Y = k (X 2 - X 1 ) + X 2 MoŜe e utworzyć potomka, który nie jest dopuszczalny, wówczas: wczas:» generuje się nową liczbę losową i tworzy nowego potomka;» Jeśli po załoŝonej onej liczbie prób b nie utworzono osobnika dopuszczalnego, to nie tworzy się potomka. 20

21 X 1 X 2 Y i

22 X 2 Potomek Rodzic 2 Linia krzyŝowania Rodzic 1 X 1 22

23 ... 23

24 OPERATORY MUTACJI 24

25 MUTACJA RÓWNOMIERNAR Losowy wybór r genu w chromosomie. Przyjęcie przez gen wartości losowej (z rozkładem równomiernym) z zakresu dopuszczalnego dla danej zmiennej: Y = [X 1,..., X k,..., X n ], X k = left(k), right(k) Szczególnie uŝyteczna u we wczesnej fazie działania ania AE (gdy poŝą Ŝądane jest szerokie przeszukiwanie obszaru poszukiwań optimum). 25

26 MUTACJA NIERÓWNOMIERNA NaleŜy y do grupy tzw. mutacji ze strojeniem. Modyfikacja wartości wybranego genu o wartość pewnej funkcji (t,y): gdzie: Y = [X 1,..., X k,..., X n ], X k =X k + (t, right(k)-x k ) gdy wylosowano 0 X k =X k (t, X k - left(k) gdy wylosowano 1 26

27 Funkcja (t,y) przyjmuje wartości z zakresu [0,y]; Prawdopodobieństwo, Ŝe (t,y) jest bliskie zero wzrasta ze wzrostem czasu obliczeń (nie zaleŝy y jednak od zachowania się AE). (t,y) (t,y) y y 0 1 k 0 1 k Początkowa faza obliczeń Pod koniec działania ania AE 27

28 MUTACJA BRZEGOWA Jest odmianą mutacji równomiernej, r w której: X k = left(k) gdy wylosowano 0 X k = right(k) gdy wylosowano 1 Szczególnie uŝyteczna, u gdy rozwiązanie zanie optymalne leŝy na brzegu obszaru dopuszczalnego lub bardzo blisko tego brzegu). 28

29 MUTACJA GAUSSOWSKA Przyjęcie przez wylosowany gen wartości losowej (z rozkładem Gaussa) o wartości oczekiwanej równej r wartości przed zmianą: Y = [X 1,..., X k,..., X n ], X k = X k +N(0, N(0,σ) 29

30 ... 30

31 ISTOTNOŚĆ OPERATORÓW W AG przyjmuje się często, Ŝe krzyŝowanie jest operatorem pierwszoplanowym,, podczas gdy mutacja ma za zadanie zapewniać dopływ świeŝej ej krwi do populacji i jest operatorem o mniejszym znaczeniu. Wśród d badaczy uprawiających programowanie ewolucyjne twierdzi się, Ŝe krzyŝowanie jest operatorem zbędnym dnym,, zaś mutacja jest jedynym mechanizmem przeszukiwania. Potrzebny jest co najmniej jeden taki operator genetyczny, który gwarantuje spójno jność przestrzeni genotypów - operatorem tym jest najczęś ęściej mutacja. 31

32 OPERATORY GENETYCZNE Z ADAPTUJĄ- CYMI SIĘ PRAWDOPODOBIEŃSTWAMI UŜyteczność większo kszości operatorów w genetycznych nie jest jednakowa w kaŝdej fazie działania ania algorytmu. Mechanizm adaptacji: Prawdop.. operatorów w genetycznych, które częś ęściej prowadzą do lepszych osobników w potomnych wzrasta kosztem operatorów mających gorsze wyniki. NaleŜy y zadbać,, aby nie zablokować Ŝadnego z operatorów (prawdop.. nie powinny osiąga gać zera) Skuteczność działania ania operatora - oceniana przez zewnętrzny proces monitorujący który steruje prawdop.. operatorów. NaleŜy y uwzględni dnić w algorytmie korzyści wynikające z działania ania pewnych operatorów w widoczne dopiero po kilku pokoleniach. 32

33 ZADANIA WIELO- KRYTERIALNE 33

34 SFORMUŁOWANIE OWANIE ZADANIA Wiele praktycznych problemów w podejmowania decyzji, projektowania itp. trudno jest sformułowa ować jako zadanie optymalizacji funkcji celu zwracającej cej jedną wartość ść. Zamiast jednego liczbowego kryterium oceny musi się uwzględnia dniać cały y ich zbiór. Nierzadko jednoczesna minimalizacja tych kryteriów w jest niemoŝliwa z powodu ich wzajemnej sprzeczności ci. 34

35 Przykład: Gra na giełdzie papierów w wartościowych Cel: kupowanie akcji charakteryzujących cych się minimalnym ryzykiem i jak maksymalnym zyskiem. Z reguły nie ma takich akcji, które spełnia niałyby oba kryteria jednocześnie. nie. NaleŜy odrzucić akcje, dla których istnieje co najmniej jedna inna charakteryzująca ca się jednocześnie nie mniejszym ryzykiem i wyŝsz szą rentowności cią. Akcje, które pozostały po takiej selekcji, sąs równoprawnymi rozwiązaniami zaniami zadania jednoczesnej minimalizacji ryzyka i współczynnika cena/zysk. 35

36 Cel: ryzyko Inwestowanie w akcje o jak najmniejszym ryzyku i jak najmniejszej wartości współczynnika cena/zysk. cena/zysk 36

37 Formalnie: Dany jest zbiór r (wektor) m funkcji: f (x) = [f[ 1 (x)...f m (x)]. Celem jest jednoczesna minimalizacja wszystkich kryteriów f j (x). Z reguły y kryteria nie sąs ze sobą zgodne (minimalizacja względem jednego z nich moŝe e powodować wzrost innych). Rozwiązanie zanie x jest zdominowane wtedy i tylko wtedy gdy istnieje dopuszczalne rozwiązanie zanie y nie gorsze od x (dla wszystkich kryteriów). Jeśli rozwiązanie zanie nie jest zdominowane przez Ŝadne inne rozwiązanie zanie dopuszczalne to nazywamy je rozwiązaniem zaniem niezdominowanym lub rozwiązaniem zaniem paretooptymalnym. 37

38 ryzyko zbiór akcji niezdominowanych cena/zysk 38

39 Zadanie optymalizacji wielokryterialnej polega na poszukiwaniu zbioru P punktów niezdominowanych. Szczególne przypadki: Poszukiwanie niezdominowanego punktu; Poszukiwanie zbioru punktów w niezdominowanych: duŝo o trudniejsze i w ogólnym przypadku niemoŝliwe do rozwiązania; zania; często spotyka się uproszczenie, polegające na znalezieniu moŝliwie największej ich liczby). 39

40 Metody optymalizacji wielokryterialnej A-priori: - decyzja podejmowana przed rozpoczęciem optymalizacji (pojedynczy cel uzyskany a priori). Zwykłe metody optymalizacji mogą być uŝyte... Interaktywne: - decyzja podejmowana podczas przeszukiwania. Wymagana interakcja z uŝytkownikiem... A-posteriori: - znalezienie zbioru rozwiązań niezdominowanych, następnie podjęcie decyzji co do wyboru rozwiązania. Konieczne metody optymalizacji wielokryterialnej... 40

41 Metody optymalizacji wielokryterialnej A-PRORI INTERAKTYWNE A-POSTERIORI Zalety niski koszt obliczeniowy proste w implementacji łatwo dostępne oprogramowanie decydent nadzoruje proces optymalizacji decydent uczy się prolemu preferencje są określane po fazie optymalizacji uzyskujemy więcej, niŝ 1 rozwiązanie Wady wymagana (nierealistycznie) duŝa wiedza o problemie wymagana analiza wraŝliwości niezbędna intensywna interakcja z decydentem wynik zaleŝny od wiedzy decydenta kosztowne obliczeniowo potrzebna druga faza dla dokonania wyboru; oprogramowanie nie jest tek powszechne. 41

42 SKALARYZACJA ZAD. WIELOKRYTERIALNEGO Sprowadzenie do problemu jednokryterialnego poprzez wprowadzenie dodatkowego kryterium, porządkuj dkują- cego punkty niezdominowane. 1. Określenie maksymalnych dopuszczalnych war- tości poszczególnych składnik adników Problem wielokryterialny sprowadza się do zagadnie- nia znalezienia dowolnego punktu dopuszczalnego. Jedno z kryteriów w moŝe e być uznane za wiodące ce. Rozwiązania zania poszukuje się stosując c metody właściwe w dla problemów w z ograniczeniami. 42

43 2. Wprowadzenie funkcji agregującej cej. Argumenty wartości poszczególnych składnik adników wektorowego wskaźnika jakości. W wyniku - zagregowany,, skalarny wskaźnik jakości f s (x),, będący b następnie przedmiotem optymalizacji: s [ ] f ( x) = ϕ f ( x),.. f ( x)] s 1 m ϕ s - funkcja agregująca ZaleŜnie od funkcji ϕ s róŝne metody skalaryzacji,, np.: 1. waŝone sumowanie kryteriów, 2. metoda punktu idealnego, 3. metoda punktu najgorszych oczekiwań. 43

44 WAśONE SUMOWANIE SKŁADNIK ADNIKÓW WEKTOROWEGO WSKAŹNIKA JAKOŚCI Najczęś ęściej stosowana technika skalaryzacji. Funkcja agregująca ϕ s jest liniowa w postaci sumy waŝonej składnik adników w wektorowego wskaźnika jakości. ϕ m f ( x),.. f ( x)] w f ( x) [ ] = s 1 m k k k = 1 Wycena poszczególnych elementów w wektorowego wskaźnika jakości. MoŜna zaakceptować pogorszenie jednego z kryteriów o pewną wielkość ść,, jeśli skompensują to korzyści wynikające z poprawy wartości innych kryteriów; Wzajemne proporcje korzyści i strat wynikają z przyję- tych współczynnik czynników w wagowych w k. 44

45 METODA PUNKTU IDEALNEGO Decydent podaje punkt, zwany idealnym,, znajdujący się poza obszarem dopuszczalnym. Punkt ten to idealne wartości wektorowego wskaźnika jakości. Zadanie optymalizacji wielokryterialnej sprowadza się do znalezienia rozwiąza zań niezdominowanych znajdujących się najbliŝej punktu idealnego. Funkcja agregująca ma postać: [ ] ϕ f1 ( x ),.. f ( x )] = f ( x ) f i s m min( ϕ ) s - f i punkt idealny - norma wektora. 45

46 Metryka euklidesowa: Metryka max: f 2 (x) obszar rozw. dopuszczalny niezdominowane f 2 (x) obszar dopuszczalny rozw. niezdominowane punkt idealny rozwiązanie zadania po skalaryzacji f 1 (x) punkt idealny rozwiązanie zadania po skalaryzacji f 1 (x) Kształty ty zbiorów w jednakowej wartości zagregowanej funkcji celu: 46

47 METODA PUNKTU NAJGORSZYCH OCZEKIWAŃ Metoda dualna do metody punktu idealnego. W W metodzie tej maksymalizuje się odległość od tzw. punktu najgorszych oczekiwań. max( ϕ ) s MINIMA LOKALNE SKALARNEJ FUNKCJI CELU Zastosowanie metody skalaryzacji moŝe e prowadzić do funkcji celu posiadającej więcej niŝ jedno minimum. Wskazane jest wówczas w wczas zastosowanie jednej z metod optymalizacji wielomodalnej. 47

48 OPTYMALIZACJA WIELOMODALNA 48

49 Cel: Znalezienie jak największej liczby jak najlepszych ekstremów lokalnych funkcji wielomodalnych. f(x) x 49

50 Podstawowa technika: utrzymywanie róŝnorodności populacji bazowej. Przeszkoda: globalność selekcji (kaŝdy osobnik konkuruje podczas reprodukcji i sukcesji z kaŝdym innym). Zapobieganie: Dodanie czynnika losowego, niezaleŝnego od stanu populacji (zwykle dodatkowy operator typu mutacji bądź losowe zaburzanie funkcji przystosowania), Zmniejszenie zasięgu selekcji (ograniczenie konkurencji do osobników znajdujących się blisko siebie w przestrzeni genotypów wyłanianie nisz). 50

51 Techniki wyłaniania nisz: Metody polegające na wyróŝnianiu podpopulacji na podstawie odległości genotypów; Metody koewolucyjne (równoczesna ewolucja wielu autonomicznych populacji z częściową wymianą mat. genet.); Metody dokonujące lokalnej deformacji funkcji przystosowania. f(x) f(x) x x 51

52 RÓWNOLEGŁOŚĆ W AE 52

53 1. Równoległość na poziomie implementacji: (schemat algorytmu nie zmienia się): Równoległe e generowanie osobników w w populacji początkowej; Równoległe e obliczanie funkcji przystosowania; Równoległe e wykonywanie operatorów w ewolucyjnych; Sekwencyjne dokonywanie wyboru nowej populacji (selekcja). 53

54 2. Równoległość na poziomie koncepcji (algorytmy koewolucyjne): Algorytm wyspowy Podpopulacje ewoluują (prawie) niezaleŝnie, nie, ze sporadyczną wymianą informacji. Parametry ewolucji a nawet funkcja przystosowania mogą być róŝne w róŝnych r podpopulacjach. Algorytm komórkowy (masowo równolegr wnoległy, dyfuzyjny) KaŜdy procesor zajmuje się ewolucją jednego osobnika, dla którego wyznaczane jest pewne sąsiedztwo s siedztwo w przestrzeni genotypów. Ewolucja odbywa się z uwzględnieniem sąsiedztwa s siedztwa (krzyŝowanie z losowymi sąsiadami). s siadami). 54

55 Rozproszony AE (W. Kuś) START... POPULACJA POCZĄTKOWA FEM FEM (F. CELU) FEM OPERATORY EWOLUCYJNE chromosom f. celu PROCES ZARZĄDZAJĄCY MIGRACJA N SELEKCJA WARUNEK ZATRZYMANIA T komunikacja z innymi podpopulacjami STOP Max liczba procesorów: (l. podpopulacji) (l. osobników) 55

56 POŁĄ ŁĄCZENIE AE Z METODAMI LOKALNYMI 56

57 IDEA: PUNKT Połączenie nieprecyzyjnego AE z nieodpornymi metodami STARTOWY lokalnymi. Takie połączenie prowadzi nierzadko do uzyskania algorytmu hybrydowego o właściwościach lepszych ALGORYTM od kaŝdej z wchodzących w jego EWOLUCYJNY skład metod. Warianty: algorytmy, w których metoda lokalna słuŝy do dokończenia obliczeń rozpoczętych przez AE; PUNKT STARTOWY OPTIMUM wprowadzeniu dodatkowego operatora genetycznego (np. mutacji gradientowej), który sprowadzałby się do wykonania metody lokalnej; Przeszukiwanie lokalne wykonywane podczas obliczania przystosowania osobnika. ALGORYTM EWOLUCYJNY ALGORYTM GRADIENTOWY (mutacja ALGORYTM gradientowa) GRADIENTOWY OPTIMUM 57

58 Np. metody stosowane kolejno: Funkcja celu ALGORYTM EWOLUCYJNY ALGORYTM GRADIENTOWY Pokolenie 58

59 Na następnym wykładzie: strategie ewolucyjne; programowanie genetyczne; przykłady zastosowań AE algorytmy mrówkowe x * + sin p p y - 32 * p k 2 a y b 59

60 DZIĘKUJ KUJĘ FITNESS F. COMPUTATION FITNESS F. COMPUTATION START INITIAL SUBPOPULATION NA DZISIAJ... SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. EVOLUTIONARY OPERATORS VALUE fitness f. value MIGRATION PHASE FITNESS F. COMPUTATION communication with other subpopulations SELECTION YES TERMINATION CONDITION NO END 60

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

LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania

Bardziej szczegółowo

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

Algorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w

Bardziej szczegółowo

Algorytmy genetyczne

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

Bardziej szczegółowo

SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO

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

Bardziej szczegółowo

Obliczenia ewolucyjne - plan wykładu

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

Bardziej szczegółowo

6. Klasyczny algorytm genetyczny. 1

6. Klasyczny algorytm genetyczny. 1 6. Klasyczny algorytm genetyczny. 1 Idea algorytmu genetycznego została zaczerpnięta z nauk przyrodniczych opisujących zjawiska doboru naturalnego i dziedziczenia. Mechanizmy te polegają na przetrwaniu

Bardziej szczegółowo

Modyfikacje i ulepszenia standardowego algorytmu genetycznego

Modyfikacje i ulepszenia standardowego algorytmu genetycznego Modyfikacje i ulepszenia standardowego algorytmu genetycznego 1 2 Przypomnienie: pseudokod SGA t=0; initialize(p 0 ); while(!termination_condition(p t )) { evaluate(p t ); T t =selection(p t ); O t =crossover(t

Bardziej szczegółowo

OBLICZENIA EWOLUCYJNE

OBLICZENIA EWOLUCYJNE BINARNIE CZY INACZEJ? OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome EVOLUTIONARY OPERATORS AND RECEIVING FITNESS

Bardziej szczegółowo

Algorytmy ewolucyjne. wprowadzenie

Algorytmy ewolucyjne. wprowadzenie Algorytmy ewolucyjne wprowadzenie Gracjan Wilczewski, www.mat.uni.torun.pl/~gracjan Toruń, 2005 Historia Podstawowy algorytm genetyczny został wprowadzony przez Johna Hollanda (Uniwersytet Michigan) i

Bardziej szczegółowo

Generowanie i optymalizacja harmonogramu za pomoca

Generowanie i optymalizacja harmonogramu za pomoca Generowanie i optymalizacja harmonogramu za pomoca na przykładzie generatora planu zajęć Matematyka Stosowana i Informatyka Stosowana Wydział Fizyki Technicznej i Matematyki Stosowanej Politechnika Gdańska

Bardziej szczegółowo

Inspiracje soft computing. Soft computing. Terminy genetyczne i ich odpowiedniki w algorytmach genetycznych. Elementarny algorytm genetyczny

Inspiracje soft computing. Soft computing. Terminy genetyczne i ich odpowiedniki w algorytmach genetycznych. Elementarny algorytm genetyczny Soft computing Soft computing tym róŝni się od klasycznych obliczeń (hard computing), Ŝe jest odporny na brak precyzji i niepewność danych wejściowych. Obliczenia soft computing mają inspiracje ze świata

Bardziej szczegółowo

Odkrywanie algorytmów kwantowych za pomocą programowania genetycznego

Odkrywanie 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 szczegółowo

Problemy multimodalne, rozdzielone populacje oraz optymalizacja wielokryterialna

Problemy multimodalne, rozdzielone populacje oraz optymalizacja wielokryterialna Problemy multimodalne, rozdzielone populacje oraz optymalizacja wielokryterialna 1 2 Wprowadzenie We wszystkich algorytmach ewolucyjnych omawianych do tej pory, wszystkie osobniki były elementami jednej

Bardziej szczegółowo

MATEMATYCZNE METODY WSPOMAGANIA PROCESÓW DECYZYJNYCH

MATEMATYCZNE METODY WSPOMAGANIA PROCESÓW DECYZYJNYCH MATEMATYCZNE METODY WSPOMAGANIA PROCESÓW DECYZYJNYCH 1. Przedmiot nie wymaga przedmiotów poprzedzających 2. Treść przedmiotu Proces i cykl decyzyjny. Rola modelowania matematycznego w procesach decyzyjnych.

Bardziej szczegółowo

Metody przeszukiwania

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

Bardziej szczegółowo

Automatyczny dobór parametrów algorytmu genetycznego

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

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej

Bardziej szczegółowo

Algorytmy ewolucyjne (2)

Algorytmy ewolucyjne (2) Algorytmy ewolucyjne (2) zajecia.jakubw.pl/nai/ ALGORYTM GEETYCZY Cel: znaleźć makimum unkcji. Założenie: unkcja ta jet dodatnia. 1. Tworzymy oobników loowych. 2. Stoujemy operacje mutacji i krzyżowania

Bardziej szczegółowo

Algorytmy genetyczne służą głównie do tego, żeby rozwiązywać zadania optymalizacji

Algorytmy genetyczne służą głównie do tego, żeby rozwiązywać zadania optymalizacji Kolejna metoda informatyczna inspirowana przez Naturę - algorytmy genetyczne Struktura molekuły DNA nośnika informacji genetycznej w biologii Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania

Bardziej szczegółowo

Algorytmy ewolucyjne

Algorytmy ewolucyjne Algorytmy ewolucyjne Dr inż. Michał Bereta p. 144 / 10, Instytut Modelowania Komputerowego mbereta@pk.edu.pl beretam@torus.uck.pk.edu.pl www.michalbereta.pl Problemy świata rzeczywistego często wymagają

Bardziej szczegółowo

Obliczenia Naturalne - Strategie ewolucyjne

Obliczenia Naturalne - Strategie ewolucyjne Literatura Historia Obliczenia Naturalne - Paweł Paduch Politechnika Świętokrzyska 3 kwietnia 2014 Paweł Paduch Obliczenia Naturalne - 1 z 44 Plan wykładu Literatura Historia 1 Literatura Historia 2 Strategia

Bardziej szczegółowo

Wykorzystanie algorytmu genetycznego do generowania twarzy ludzkiej

Wykorzystanie algorytmu genetycznego do generowania twarzy ludzkiej Wykorzystanie algorytmu genetycznego do generowania twarzy ludzkiej Oleksandr Klosov* Kamil Jasiński** Streszczenie. Algorytmy genetyczne są przedmiotem aktywnych dyskusji w płaszczyźnie naukowej oraz

Bardziej szczegółowo

LABORATORIUM 1: Program Evolutionary Algorithms

LABORATORIUM 1: Program Evolutionary Algorithms Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl OBLICZENIA EWOLUCYJNE LABORATORIUM 1: Program Evolutionary Algorithms opracował:

Bardziej szczegółowo

Algorytmy genetyczne w interpolacji wielomianowej

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

Bardziej szczegółowo

BADANIA OPERACYJNE PROGRAMOWANIE WIELOKRYTERIALNE

BADANIA OPERACYJNE PROGRAMOWANIE WIELOKRYTERIALNE DR ADAM SOJDA Czasem istnieje wiele kryteriów oceny. Kupno samochodu: cena prędkość maksymalna spalanie kolor typ nadwozia bagażnik najniższa najwyższa najniższe {czarny*, czerwony, } {sedan, coupe, SUV,

Bardziej szczegółowo

ZAGADNIENIA PROGRAMOWANIA LINIOWEGO

ZAGADNIENIA PROGRAMOWANIA LINIOWEGO ZAGADNIENIA PROGRAMOWANIA LINIOWEGO Maciej Patan Uniwersytet Zielonogórski WSTĘP często spotykane w życiu codziennym wybór asortymentu produkcji jakie wyroby i w jakich ilościach powinno produkować przedsiębiorstwo

Bardziej szczegółowo

ZASTOSOWANIE ALGORYTMU GENETYCZNEGO DO WYZNACZANIA OPTYMALNYCH DECYZJI STERUJĄCYCH

ZASTOSOWANIE ALGORYTMU GENETYCZNEGO DO WYZNACZANIA OPTYMALNYCH DECYZJI STERUJĄCYCH ZASTOSOWANIE ALGORYTMU GENETYCZNEGO DO WYZNACZANIA OPTYMALNYCH DECYZJI STERUJĄCYCH KLAUDIUSZ MIGAWA 1 Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy Streszczenie Zagadnienia przedstawione w artykule

Bardziej szczegółowo

Algorytmy ewolucyjne (3)

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

Bardziej szczegółowo

ZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA

ZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA ZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA DYNAMICZNYCH LOKAT KAPITAŁOWYCH Krzysztof Gąsior Uniwersytet Rzeszowski Streszczenie Celem referatu jest zaprezentowanie praktycznego zastosowania

Bardziej szczegółowo

Problemy z ograniczeniami

Problemy z ograniczeniami Problemy z ograniczeniami 1 2 Dlaczego zadania z ograniczeniami Wiele praktycznych problemów to problemy z ograniczeniami. Problemy trudne obliczeniowo (np-trudne) to prawie zawsze problemy z ograniczeniami.

Bardziej szczegółowo

PLAN WYKŁADU OPTYMALIZACJA GLOBALNA HISTORIA NA CZYM BAZUJĄ AG

PLAN WYKŁADU OPTYMALIZACJA GLOBALNA HISTORIA NA CZYM BAZUJĄ AG PLAN WYKŁADU OPTYMALIZACJA GLOBALNA Wykład 2 dr inż. Agnieszka Bołtuć Historia Zadania Co odróżnia od klasycznych algorytmów Nazewnictwo Etapy Kodowanie, inicjalizacja, transformacja funkcji celu Selekcja

Bardziej szczegółowo

EGZAMIN DYPLOMOWY, część II, 20.09.2006 Biomatematyka

EGZAMIN DYPLOMOWY, część II, 20.09.2006 Biomatematyka Biomatematyka Załóżmy, że częstości genotypów AA, Aa i aa w całej populacji wynoszą p 2, 2pq i q 2. Wiadomo, że czynnik selekcyjny sprawia, że osobniki o genotypie aa nie rozmnażają się. 1. Wyznacz częstości

Bardziej szczegółowo

Optymalizacja konstrukcji

Optymalizacja konstrukcji Optymalizacja konstrukcji Kształtowanie konstrukcyjne: nadanie właściwych cech konstrukcyjnych przeszłej maszynie określenie z jakiego punktu widzenia (wg jakiego kryterium oceny) będą oceniane alternatywne

Bardziej szczegółowo

System bonus-malus z mechanizmem korekty składki

System bonus-malus z mechanizmem korekty składki System bonus-malus z mechanizmem korekty składki mgr Kamil Gala Ubezpieczeniowy Fundusz Gwarancyjny dr hab. Wojciech Bijak, prof. SGH Ubezpieczeniowy Fundusz Gwarancyjny, Szkoła Główna Handlowa Zagadnienia

Bardziej szczegółowo

ALGORYTMY IMMUNO- LOGICZNE

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

Bardziej szczegółowo

Algorytmy genetyczne Michał Bereta Paweł Jarosz (część teoretyczna)

Algorytmy genetyczne Michał Bereta Paweł Jarosz (część teoretyczna) 1 Zagadnienia Sztucznej Inteligencji laboratorium Wprowadzenie Algorytmy genetyczne Michał Bereta Paweł Jarosz (część teoretyczna) Dana jest funkcja f, jednej lub wielu zmiennych. Należy określić wartości

Bardziej szczegółowo

Standardowy algorytm genetyczny

Standardowy algorytm genetyczny Standardowy algorytm genetyczny 1 Szybki przegląd 2 Opracowany w USA w latach 70. Wcześni badacze: John H. Holland. Autor monografii Adaptation in Natural and Artificial Systems, wydanej w 1975 r., (teoria

Bardziej szczegółowo

Programowanie genetyczne, gra SNAKE

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

Bardziej szczegółowo

METODA SYMPLEKS. Maciej Patan. Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski

METODA SYMPLEKS. Maciej Patan. Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski METODA SYMPLEKS Maciej Patan Uniwersytet Zielonogórski WSTĘP Algorytm Sympleks najpotężniejsza metoda rozwiązywania programów liniowych Metoda generuje ciąg dopuszczalnych rozwiązań x k w taki sposób,

Bardziej szczegółowo

PODSTAWOWE MIARY I OCENY PROJEKTÓW INWESTYCYJNYCH

PODSTAWOWE MIARY I OCENY PROJEKTÓW INWESTYCYJNYCH PODSTAWOWE MIARY I OCENY PROJEKTÓW INWESTYCYJNYCH PODSTAWOWE MIARY OCENY OPŁACALNOŚCI INWESTYCJI Na rynku konkurencyjnym, jeśli dane przedsiębiorstwo nie chce pozostać w tyle w stosunku do swoich konkurentów,

Bardziej szczegółowo

Programowanie liniowe metoda sympleks

Programowanie liniowe metoda sympleks Programowanie liniowe metoda sympleks Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2012 Mirosław Sobolewski (UW) Warszawa, 2012 1 / 12

Bardziej szczegółowo

Spis treści 377 379 WSTĘP... 9

Spis treści 377 379 WSTĘP... 9 Spis treści 377 379 Spis treści WSTĘP... 9 ZADANIE OPTYMALIZACJI... 9 PRZYKŁAD 1... 9 Założenia... 10 Model matematyczny zadania... 10 PRZYKŁAD 2... 10 PRZYKŁAD 3... 11 OPTYMALIZACJA A POLIOPTYMALIZACJA...

Bardziej szczegółowo

Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach

Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach Adam Stawowy Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach Summary: We present a meta-heuristic to combine Monte Carlo simulation with genetic algorithm for Capital

Bardziej szczegółowo

Programowanie genetyczne (ang. genetic programming)

Programowanie genetyczne (ang. genetic programming) Programowanie genetyczne (ang. genetic programming) 1 2 Wstęp Spopularyzowane przez Johna Kozę na początku lat 90-tych. Polega na zastosowaniu paradygmatu obliczeń ewolucyjnych do generowania programów

Bardziej szczegółowo

Metody Programowania

Metody 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 szczegółowo

MIO - LABORATORIUM. Imię i nazwisko Rok ak. Gr. Sem. Komputer Data ... 20 / EC3 VIII LAB...

MIO - LABORATORIUM. Imię i nazwisko Rok ak. Gr. Sem. Komputer Data ... 20 / EC3 VIII LAB... MIO - LABORATORIUM Temat ćwiczenia: TSP - Problem komiwojażera Imię i nazwisko Rok ak. Gr. Sem. Komputer Data Podpis prowadzącego... 20 / EC3 VIII LAB...... Zadanie Zapoznać się z problemem komiwojażera

Bardziej szczegółowo

Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań

Algorytm 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 szczegółowo

Wielokryterialne wspomaganie decyzji Redakcja naukowa Tadeusz Trzaskalik

Wielokryterialne wspomaganie decyzji Redakcja naukowa Tadeusz Trzaskalik Wielokryterialne wspomaganie decyzji Redakcja naukowa Tadeusz Trzaskalik W książce autorzy przedstawiają dyskretne problemy wielokryterialne, w których liczba rozpatrywanych przez decydenta wariantów decyzyjnych

Bardziej szczegółowo

Optymalne Planowanie Energetyczne (OPE) jako. narzędzie realizacji lokalnych strategii rozwoju

Optymalne Planowanie Energetyczne (OPE) jako. narzędzie realizacji lokalnych strategii rozwoju Optymalne Planowanie Energetyczne (OPE) jako narzędzie realizacji lokalnych strategii rozwoju Konwent Burmistrzów w i WójtW jtów Śląskiego Związku Gmin i Powiatów, w, śarki, 19 października 2012 mgr Ewa

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Metody numeryczne. Wykład nr 12. Dr Piotr Fronczak

Metody numeryczne. Wykład nr 12. Dr Piotr Fronczak Metody numeryczne Wykład nr 1 Dr Piotr Fronczak Generowanie liczb losowych Metody Monte Carlo są oparte na probabilistyce działają dzięki generowaniu liczb losowych. W komputerach te liczby generowane

Bardziej szczegółowo

Literatura. adów w cyfrowych. Projektowanie układ. Technika cyfrowa. Technika cyfrowa. Bramki logiczne i przerzutniki.

Literatura. adów w cyfrowych. Projektowanie układ. Technika cyfrowa. Technika cyfrowa. Bramki logiczne i przerzutniki. Literatura 1. D. Gajski, Principles of Digital Design, Prentice- Hall, 1997 2. C. Zieliński, Podstawy projektowania układów cyfrowych, PWN, Warszawa 2003 3. G. de Micheli, Synteza i optymalizacja układów

Bardziej szczegółowo

Zadania 1. Czas pracy przypadający na jednostkę wyrobu (w godz.) M 1. Wyroby

Zadania 1. Czas pracy przypadający na jednostkę wyrobu (w godz.) M 1. Wyroby Zadania 1 Przedsiębiorstwo wytwarza cztery rodzaje wyrobów: A, B, C, D, które są obrabiane na dwóch maszynach M 1 i M 2. Czas pracy maszyn przypadający na obróbkę jednostki poszczególnych wyrobów podany

Bardziej szczegółowo

OCENA EFEKTYWNOŚCI INWESTYCJI. Jerzy T. Skrzypek

OCENA EFEKTYWNOŚCI INWESTYCJI. Jerzy T. Skrzypek OCENA EFEKTYWNOŚCI INWESTYCJI Jerzy T. Skrzypek 1 2 3 4 5 6 7 8 Analiza płynności Analiza rentowności Analiza zadłużenia Analiza sprawności działania Analiza majątku i źródeł finansowania Ocena efektywności

Bardziej szczegółowo

1. Znajdowanie miejsca zerowego funkcji metodą bisekcji.

1. Znajdowanie miejsca zerowego funkcji metodą bisekcji. 1. Znajdowanie miejsca zerowego funkcji metodą bisekcji. Matematyczna funkcja f ma być określona w programie w oddzielnej funkcji języka C (tak, aby moŝna było łatwo ją zmieniać). Przykładowa funkcja to:

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, 25.06.2009 Biomatematyka

EGZAMIN MAGISTERSKI, 25.06.2009 Biomatematyka Biomatematyka 80...... Zadanie 1. (8 punktów) Rozpatrzmy prawo Hardy ego Weinberga dla loci związanej z chromosomem X o dwóch allelach A 1 i A 2. Załóżmy, że początkowa częstość allelu A 2 u kobiet jest

Bardziej szczegółowo

ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL. sin x2 (1)

ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL. sin x2 (1) ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL 1. Problem Rozważmy układ dwóch równań z dwiema niewiadomymi (x 1, x 2 ): 1 x1 sin x2 x2 cos x1 (1) Nie jest

Bardziej szczegółowo

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16 Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego

Bardziej szczegółowo

RACHUNKOWOŚĆ ZARZĄDCZA

RACHUNKOWOŚĆ ZARZĄDCZA RACHUNKOWOŚĆ ZARZĄDCZA wykład VII dr Marek Masztalerz Uniwersytet Ekonomiczny w Poznaniu 2011 PRÓG RENTOWNOŚCI PRODUKCJA JEDNOASORTYMENTOWA przychody Sx PRw margines bezpieczeństwa margines bezpieczeństwa

Bardziej szczegółowo

Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe.

Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Rachunek prawdopodobieństwa MAP3040 WPPT FT, rok akad. 2010/11, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Warunkowa wartość oczekiwana.

Bardziej szczegółowo

Model równowagi na rynku prywatnych ubezpieczeń zdrowotnych

Model równowagi na rynku prywatnych ubezpieczeń zdrowotnych Model równowagi na rynku prywatnych ubezpieczeń zdrowotnych Agata de Sas Stupnicka Zagadnienia aktuarialne teoria i praktyka Wrocław, 6-8 września 2010 Plan prezentacji Wprowadzenie ubezpieczenia zdrowotne,

Bardziej szczegółowo

Instytut Matematyczny Uniwersytet Wrocławski. Zakres egzaminu magisterskiego. Wybrane rozdziały anazlizy i topologii 1 i 2

Instytut Matematyczny Uniwersytet Wrocławski. Zakres egzaminu magisterskiego. Wybrane rozdziały anazlizy i topologii 1 i 2 Instytut Matematyczny Uniwersytet Wrocławski Zakres egzaminu magisterskiego Wybrane rozdziały anazlizy i topologii 1 i 2 Pojęcia, fakty: Definicje i pojęcia: metryka, iloczyn skalarny, norma supremum,

Bardziej szczegółowo

Wykład z modelowania matematycznego. Zagadnienie transportowe.

Wykład z modelowania matematycznego. Zagadnienie transportowe. Wykład z modelowania matematycznego. Zagadnienie transportowe. 1 Zagadnienie transportowe zostało sformułowane w 1941 przez F.L.Hitchcocka. Metoda rozwiązania tego zagadnienia zwana algorytmem transportowymópracowana

Bardziej szczegółowo

TYPOWE OPERATORY KRZYŻOWANIA OBLICZENIA EWOLUCYJNE FUNKCJE TESTOWE F. RASTRIGINA F. ACKLEYA ... 3. ( x) = x i 30 -30. minimum globalne.

TYPOWE OPERATORY KRZYŻOWANIA OBLICZENIA EWOLUCYJNE FUNKCJE TESTOWE F. RASTRIGINA F. ACKLEYA ... 3. ( x) = x i 30 -30. minimum globalne. FUNKCJE TESTOWE OBLICENIA EWOLUCJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromoome EVOLUTIONAR OPERATORS AND RECEIVING FITNESS F. wykład

Bardziej szczegółowo

Podstawy OpenCL część 2

Podstawy OpenCL część 2 Podstawy OpenCL część 2 1. Napisz program dokonujący mnożenia dwóch macierzy w wersji sekwencyjnej oraz OpenCL. Porównaj czasy działania obu wersji dla różnych wielkości macierzy, np. 16 16, 128 128, 1024

Bardziej szczegółowo

Problemy optymalizacyjne - zastosowania

Problemy optymalizacyjne - zastosowania Problemy optymalizacyjne - zastosowania www.qed.pl/ai/nai2003 PLAN WYKŁADU Zło ono obliczeniowa - przypomnienie Problemy NP-zupełne klika jest NP-trudna inne problemy NP-trudne Inne zadania optymalizacyjne

Bardziej szczegółowo

Zalecenia projektowe i montaŝowe dotyczące ekranowania. Wykład Podstawy projektowania A.Korcala

Zalecenia projektowe i montaŝowe dotyczące ekranowania. Wykład Podstawy projektowania A.Korcala Zalecenia projektowe i montaŝowe dotyczące ekranowania Wykład Podstawy projektowania A.Korcala Mechanizmy powstawania zakłóceń w układach elektronicznych. Głównymi źródłami zakłóceń są: - obce pola elektryczne

Bardziej szczegółowo

4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74

4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74 3 Wykaz najważniejszych skrótów...8 Przedmowa... 10 1. Podstawowe pojęcia data mining...11 1.1. Wprowadzenie...12 1.2. Podstawowe zadania eksploracji danych...13 1.3. Główne etapy eksploracji danych...15

Bardziej szczegółowo

Zarządzanie pamięcią w systemie operacyjnym

Zarządzanie pamięcią w systemie operacyjnym Zarządzanie pamięcią w systemie operacyjnym Cele: przydział zasobów pamięciowych wykonywanym programom, zapewnienie bezpieczeństwa wykonywanych procesów (ochrona pamięci), efektywne wykorzystanie dostępnej

Bardziej szczegółowo

Analiza algorytmów genetycznych. jako układów dynamicznych

Analiza algorytmów genetycznych. jako układów dynamicznych Instytut Podstawowych Problemów Techniki Polskiej Akademii Nauk Analiza algorytmów genetycznych jako układów dynamicznych mgr inż. Stefan Kotowski Rozprawa doktorska napisana pod kierunkiem prof. dr. hab.

Bardziej szczegółowo

Adaptacyjny algorytm ewolucji różnicowej w rozwiązywaniu problemów teorii gier

Adaptacyjny algorytm ewolucji różnicowej w rozwiązywaniu problemów teorii gier Uniwersytet Śląski Wydział Informatyki i Nauki o Materiałach Instytut Informatyki Rozprawa doktorska Przemysław Juszczuk Adaptacyjny algorytm ewolucji różnicowej w rozwiązywaniu problemów teorii gier Promotor:

Bardziej szczegółowo

Plan wykładu. Przykład. Przykład 3/19/2011. Przykład zagadnienia transportowego. Optymalizacja w procesach biznesowych Wykład 2 DECYZJA?

Plan wykładu. Przykład. Przykład 3/19/2011. Przykład zagadnienia transportowego. Optymalizacja w procesach biznesowych Wykład 2 DECYZJA? /9/ Zagadnienie transportowe Optymalizacja w procesach biznesowych Wykład --9 Plan wykładu Przykład zagadnienia transportowego Sformułowanie problemu Własności zagadnienia transportowego Metoda potencjałów

Bardziej szczegółowo

Heurystyki. Strategie poszukiwań

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

Bardziej szczegółowo

RACHUNKOWOŚĆ ZARZĄDCZA

RACHUNKOWOŚĆ ZARZĄDCZA RACHUNKOWOŚĆ ZARZĄDCZA wykład XI dr Marek Masztalerz Uniwersytet Ekonomiczny w Poznaniu 2011 EKONOMICZNY CYKL śycia PRODUKTU 1 KOSZTY CYKLU śycia PRODUKTU OKRES PRZEDRYNKOWY OKRES RYNKOWY OKRES POSTRYNKOWY

Bardziej szczegółowo

Reprezentacja i analiza obszarów

Reprezentacja i analiza obszarów Cechy kształtu Topologiczne Geometryczne spójność liczba otworów liczba Eulera szkielet obwód pole powierzchni środek cięŝkości ułoŝenie przestrzenne momenty wyŝszych rzędów promienie max-min centryczność

Bardziej szczegółowo

Wielokryteriowa optymalizacja liniowa (WPL)

Wielokryteriowa optymalizacja liniowa (WPL) arek isyński BO UŁ 007 - Wielokryteriowa optymaliaja liniowa (WPL) -. Wielokryteriowa optymaliaja liniowa (WPL) Zadaniem WPL naywamy następująe adanie optymaliaji liniowej: a a m L O L L O L L a a n n

Bardziej szczegółowo

Zarządzanie ryzykiem. Opracował: Dr inŝ. Tomasz Zieliński

Zarządzanie ryzykiem. Opracował: Dr inŝ. Tomasz Zieliński Zarządzanie ryzykiem Opracował: Dr inŝ. Tomasz Zieliński I. OGÓLNE INFORMACJE O PRZEDMIOCIE Cel przedmiotu: Celem przedmiotu jest zaprezentowanie studentom podstawowych pojęć z zakresu ryzyka w działalności

Bardziej szczegółowo

Technologia informacyjna

Technologia informacyjna Technologia informacyjna Pracownia nr 9 (studia stacjonarne) - 05.12.2008 - Rok akademicki 2008/2009 2/16 Bazy danych - Plan zajęć Podstawowe pojęcia: baza danych, system zarządzania bazą danych tabela,

Bardziej szczegółowo

Inwestycje finansowe. Wycena obligacji. Stopa zwrotu z akcji. Ryzyko.

Inwestycje finansowe. Wycena obligacji. Stopa zwrotu z akcji. Ryzyko. Inwestycje finansowe Wycena obligacji. Stopa zwrotu z akcji. yzyko. Inwestycje finansowe Instrumenty rynku pieniężnego (np. bony skarbowe). Instrumenty rynku walutowego. Obligacje. Akcje. Instrumenty pochodne.

Bardziej szczegółowo

Metody numeryczne i statystyka dla in»ynierów

Metody numeryczne i statystyka dla in»ynierów Kierunek: Automatyka i Robotyka, II rok Interpolacja PWSZ Gªogów, 2009 Interpolacja Okre±lenie zale»no±ci pomi dzy interesuj cymi nas wielko±ciami, Umo»liwia uproszczenie skomplikowanych funkcji (np. wykorzystywana

Bardziej szczegółowo

Metody niedyskontowe. Metody dyskontowe

Metody niedyskontowe. Metody dyskontowe Metody oceny projektów inwestycyjnych TEORIA DECYZJE DŁUGOOKRESOWE Budżetowanie kapitałów to proces, który ma za zadanie określenie potrzeb inwestycyjnych przedsiębiorstwa. Jest to proces identyfikacji

Bardziej szczegółowo

III. ZMIENNE LOSOWE JEDNOWYMIAROWE

III. ZMIENNE LOSOWE JEDNOWYMIAROWE III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta

Bardziej szczegółowo

Gospodarcze zastosowania algorytmów genetycznych

Gospodarcze 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 szczegółowo

PORÓWNANIE TREŚCI ZAWARTYCH W OBOWIĄZUJĄCYCH STANDARDACH EGZAMINACYJNYCH Z TREŚCIAMI NOWEJ PODSTAWY PROGRAMOWEJ

PORÓWNANIE TREŚCI ZAWARTYCH W OBOWIĄZUJĄCYCH STANDARDACH EGZAMINACYJNYCH Z TREŚCIAMI NOWEJ PODSTAWY PROGRAMOWEJ PORÓWNANIE TREŚCI ZAWARTYCH W OBOWIĄZUJĄCYCH STANDARDACH EGZAMINACYJNYCH Z TREŚCIAMI NOWEJ PODSTAWY PROGRAMOWEJ L.p. 1. Liczby rzeczywiste 2. Wyrażenia algebraiczne bada, czy wynik obliczeń jest liczbą

Bardziej szczegółowo

11. 11. OPTYMALIZACJA KONSTRUKCJI

11. 11. OPTYMALIZACJA KONSTRUKCJI 11. OPTYMALIZACJA KONSTRUKCJI 1 11. 11. OPTYMALIZACJA KONSTRUKCJI 11.1. Wprowadzenie 1. Optymalizacja potocznie i matematycznie 2. Przykład 3. Kryterium optymalizacji 4. Ograniczenia w zadaniach optymalizacji

Bardziej szczegółowo

Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu - metodologia badań

Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu - metodologia badań Raport 1/2015 Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu - metodologia badań autor: Michał Osmoła INIME Instytut nauk informatycznych i matematycznych z zastosowaniem

Bardziej szczegółowo

Co to jest algorytm? przepis prowadzący do rozwiązania zadania, problemu,

Co to jest algorytm? przepis prowadzący do rozwiązania zadania, problemu, wprowadzenie Co to jest algorytm? przepis prowadzący do rozwiązania zadania, problemu, w przepisie tym podaje się opis czynności, które trzeba wykonać, oraz dane, dla których algorytm będzie określony.

Bardziej szczegółowo

METODY SZTUCZNEJ INTELIGENCJI W ROZWI ZYWANIU ZADA OPTYMALIZACJI

METODY SZTUCZNEJ INTELIGENCJI W ROZWI ZYWANIU ZADA OPTYMALIZACJI METODY SZTUCZNEJ INTELIGENCJI W ROZWI ZYWANIU ZADA OPTYMALIZACJI Izabela Skorupska Studium Doktoranckie, Wydział Elektrotechniki, Informatyki i Telekomunikacji Uniwersytet Zielonogórski e-mail: iskorups

Bardziej szczegółowo

Problemy optymalizacyjne Dana jest przestrzeń X. Znaleźć x X taki, że x spełnia określone warunki. Dana jest przestrzeń X i funkcja celu f: X R.

Problemy optymalizacyjne Dana jest przestrzeń X. Znaleźć x X taki, że x spełnia określone warunki. Dana jest przestrzeń X i funkcja celu f: X R. Problemy optymalizacyjne Dana jest przestrzeń X. Znaleźć x X taki, że x spełnia określone warunki. Dana jest przestrzeń X i funkcja celu f: X R. Znaleźć x X taki, że f(x) jest maksimum (minimum) funkcji

Bardziej szczegółowo

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Optymalizacja

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Optymalizacja Politechnika Wrocławska, Wydział Informatyki i Zarządzania Optymalizacja Dla podanych niżej problemów decyzyjnych (zad.1 zad.5) należy sformułować zadania optymalizacji, tj.: określić postać zmiennych

Bardziej szczegółowo

Modele i narzędzia optymalizacji w systemach informatycznych zarządzania

Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Politechnika Poznańska Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Joanna Józefowska POZNAŃ 2010/11 Spis treści Rozdział 1. Metoda programowania dynamicznego........... 5

Bardziej szczegółowo

Laboratorium Metod Optymalizacji

Laboratorium Metod Optymalizacji Laboratorium Metod Optymalizacji Grupa nr... Sekcja nr... Ćwiczenie nr 4 Temat: Programowanie liniowe (dwufazowa metoda sympleksu). Lp. 1 Nazwisko i imię Leszek Zaczyński Obecność ocena Sprawozdani e ocena

Bardziej szczegółowo

BDG-III-3820-01/08 Do Wykonawców

BDG-III-3820-01/08 Do Wykonawców W arszawa, dnia 17.03.2008 r. R Z E C Z P O S P O L I T A P O L S K A MINISTERSTW O SPRAW IEDLIW OŚCI Al. Ujazdowskie 11 00-950 WARSZAWA Skr. Poczt. 33 Centrala tel. 521-28-88 BDG-III-3820-01/08 Do Wykonawców

Bardziej szczegółowo

Bliskie Spotkanie z Biologią. Genetyka populacji

Bliskie Spotkanie z Biologią. Genetyka populacji Bliskie Spotkanie z Biologią Genetyka populacji Plan wykładu 1) Częstości alleli i genotypów w populacji 2) Prawo Hardy ego-weinberga 3) Dryf genetyczny 4) Efekt założyciela i efekt wąskiego gardła 5)

Bardziej szczegółowo

Metody eliminacji zakłóceń w układach. Wykład Podstawy projektowania A.Korcala

Metody eliminacji zakłóceń w układach. Wykład Podstawy projektowania A.Korcala Metody eliminacji zakłóceń w układach Wykład Podstawy projektowania A.Korcala Ogólne zasady zwalczania zakłóceń Wszystkie metody eliminacji zakłóceń polegają w zasadzie na maksymalnym zwiększaniu stosunku

Bardziej szczegółowo

Analiza inwestycji i zarządzanie portfelem SPIS TREŚCI

Analiza inwestycji i zarządzanie portfelem SPIS TREŚCI Analiza inwestycji i zarządzanie portfelem Frank K. Reilly, Keith C. Brown SPIS TREŚCI TOM I Przedmowa do wydania polskiego Przedmowa do wydania amerykańskiego O autorach Ramy książki CZĘŚĆ I. INWESTYCJE

Bardziej szczegółowo

IMPLIKACJE ZASTOSOWANIA KODOWANIA OPARTEGO NA LICZBACH CAŁKOWITYCH W ALGORYTMIE GENETYCZNYM

IMPLIKACJE ZASTOSOWANIA KODOWANIA OPARTEGO NA LICZBACH CAŁKOWITYCH W ALGORYTMIE GENETYCZNYM IMPLIKACJE ZASTOSOWANIA KODOWANIA OPARTEGO NA LICZBACH CAŁKOWITYCH W ALGORYTMIE GENETYCZNYM Artykuł zawiera opis eksperymentu, który polegał na uyciu algorytmu genetycznego przy wykorzystaniu kodowania

Bardziej szczegółowo

Programowanie genetyczne - gra SNAKE

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

Bardziej szczegółowo

Wyznaczanie symulacyjne granicy minimalnej w portfelu Markowitza

Wyznaczanie symulacyjne granicy minimalnej w portfelu Markowitza Wyznaczanie symulacyjne granicy minimalnej w portfelu Markowitza Łukasz Kanar UNIWERSYTET WARSZAWSKI WYDZIAŁ NAUK EKONOMICZNYCH WARSZAWA 2008 1. Portfel Markowitza Dany jest pewien portfel n 1 spółek giełdowych.

Bardziej szczegółowo

Metody numeryczne. materiały do wykładu dla studentów. 7. Całkowanie numeryczne

Metody numeryczne. materiały do wykładu dla studentów. 7. Całkowanie numeryczne Metody numeryczne materiały do wykładu dla studentów 7. Całkowanie numeryczne 7.1. Całkowanie numeryczne 7.2. Metoda trapezów 7.3. Metoda Simpsona 7.4. Metoda 3/8 Newtona 7.5. Ogólna postać wzorów kwadratur

Bardziej szczegółowo