HEURYSTYKA Z REGUŁAMI PRIORYTETOWYMI DLA PROBLEMU HARMONOGRAMOWANIA PROJEKTU Z OGRANICZONYMI ZASOBAMI
|
|
- Martyna Osińska
- 4 lat temu
- Przeglądów:
Transkrypt
1 HEURYSTYKA Z REGUŁAMI PRIORYTETOWYMI DLA PROBLEMU HARMONOGRAMOWANIA PROJEKTU Z OGRANICZONYMI ZASOBAMI Marcn KLIMEK, Potr ŁEBKOWSKI Streszczene: W artykule analzowane jest zagadnene harmonogramowana projektu z ogranczonym zasobam RCPSP (ang. Resource-Constraned Project Schedulng Problem). Opracowano heurystyk: jednoprzebegową weloprzebegową, które tworzą rozwązana na podstawe reguł prorytetowana zadań. Porównano skuteczność klkunastu reguł prorytetowych, przy zastosowanu równoległego szeregowego schematu generowana harmonogramu wstecz w przód. Testy przeprowadzono przy użycu nstancj testowych z bblotek PSPLIB (Project Schedulng Problem LIBrary). Słowa kluczowe: harmonogramowane projektu z ogranczonym zasobam, reguły prorytetowe, harmonogramowane w przód wstecz, równoległy szeregowy schemat generowana harmonogramu 1. Wprowadzene Problem harmonogramowana projektu z ogranczoną dostępnoścą zasobów RCPSP jest jednym z ważnych często analzowanych zagadneń optymalzacyjnych. Jako funkcje celu dla RCPSP najczęścej rozważane są krytera czasowe tj. mnmalzacja czasu trwana projektu lub krytera ekonomczne tj. maksymalzacja sumy zdyskontowanych przepływów penężnych [2]. W tym artykule rozpatrywane jest zagadnene mnmalzacj czasu trwana projektu (makespan). Problem harmonogramowana projektu z ogranczonym zasobam jest zagadnenem slne NP-trudnym [1]. Ze względu na złożoność problemu dla RCPSP stosowane są: - algorytmy dokładne za ch pomocą znajdowane są harmonogramy optymalne, ale ze względu na wykładnczą złożoność oblczenową mogą być wykorzystywane jedyne dla projektów o mnejszej lczbe zadań (dla projektów welozadanowych czas oblczeń często jest zbyt dług), - algorytmy heurystyczne, przyblżone dla projektów welozadanowych. W praktyce często lczba zadań jest duża wskazane jest stosowane procedur heurystycznych, które ne dają gwarancj znalezena harmonogramów optymalnych. Wśród heurystyk wyróżna sę algorytmy konstrukcyjne oraz procedury lokalnych poszukwań LS (ang. Local Search). Algorytmy konstrukcyjne generują najczęścej jedno rozwązane (są jednoprzebegowe ang. sngle-pass) na podstawe prostych reguł prorytetowana (algorytmy prorytetowe) lub wstawana czynnośc (algorytmy wstaweń). Ich główną zaletą jest szybk czas dzałana. Harmonogramy wygenerowane za pomocą procedur konstrukcyjnych są na ogół gorszej jakośc do harmonogramów tworzonych za pomocą algorytmów lokalnych poszukwań. Algorytmy konstrukcyjne są jednak przydatne np. do tworzena rozwązań nauguracyjnych dla bardzej skutecznych weloprzebegowych (ang. mult-pass) procedur LS tj. algorytmy 589
2 genetyczne, symulowanego wyżarzana, przeszukwane z zakazam, algorytmy genetyczne td. Analza efektywnośc różnych procedur dla problemu RCPSP przedstawona jest w pracach przeglądowych [3,8-9]. W tej pracy analzowany jest algorytm prorytetowy dla problemu RCPSP z mnmalzacją czasu trwana projektu. Poza standardową procedurą generującą jedno rozwązane na podstawe danej reguły prorytetowej opracowany jest algorytm weloprzebegowy. W celu lustracj analzowanego zagadnena proponowanych heurystyk wykorzystany jest przykładowy projekt złożony z 8 zadań. Analza eksperymentalna opracowanych procedur reguł prorytetowych przeprowadzona jest przy wykorzystanu nstancj testowych z bblotek PSPLIB [10]. 2. Ops problemu Projekt (przedsęwzęce) to unkalny zbór współzależnych czynnośc (zadań) wykonywany przy użycu dostępnych zasobów (pracownków, maszyn). Zadane stanow wyodrębnoną część projektu, dla którego do realzacj wymagana jest określona lość czasu zasobów. W tej pracy rozważany jest problem harmonogramowana projektu, w którym szukany jest wektor czasów rozpoczęca czynnośc nepodzelnych (ang. nonpreemptve), z jednym sposobem ch realzacj (sngle-mode RCPSP), wykonywanych przy użycu ogranczonych, odnawalnych zasobów (pracownków, maszyn). Jako funkcja celu stosowana jest mnmalzacja czasu trwana projektu (ang. makespan mnmsaton) (patrz: wzór 1) przy uwzględnenu ogranczeń zasobowych (patrz: wzór 2) kolejnoścowych (patrz: wzór 3) typu konec-początek bez zwłok (ang. fnsh-start, zerolag precedence), w których następnk może rozpocząć sę bez zwłok po zakończenu poprzednka. Mnmalzacja F: F ST N1 (1) Przy następujących ogranczenach: Rk Ak, t 1,..., STN 1, k 1,..., K (2) J ( t) ST D ST (, j) E (3) j gdze: N lczba zadań projektowych, ndeks (numer) czynnośc, = 1,, N, ST czas rozpoczęca zadana, J(t) zbór zadań wykonywanych w okrese [t-1, t], K lczba typów zasobów, k ndeks (numer) typu zasobu, k = 1,, K, R k zapotrzebowane zadana na zasób typu k, A k dostępność zasobów typu k, D czas trwana czynnośc, E zbór łuków opsujących relacje kolejnoścowe mędzy zadanam w grafe projektowym G(V, E) projekty przedstawane są w reprezentacj sec czynnośc AON (ang. Actvty-On-Node) jako graf skerowany połączonych węzłów (zbór V) reprezentujących zadana. 590
3 Przy harmonogramowanu zadań z wykorzystanem reguł prorytetowych wykorzystywane są dane z analzy czasowej problemu tj.: - ES (ang. Earlest Start) najwcześnejszy możlwy czas rozpoczęca zadana, - EF (ang. Earlest Fnsh) najwcześnejszy możlwy czas zakończena zadana, - LS (ang. Latest Start) najpóźnejszy możlwy czas rozpoczęca zadana, - LF (ang. Latest Fnsh) najpóźnejszy możlwy czas zakończena zadana. Najwcześnejsze możlwe czasy rozpoczęca ES zakończena EF zadań wyznaczane są rekurencyjne kolejno dla czynnośc od 0 do N+1 przy uwzględnenu zależnośc kolejnoścowych mędzy zadanam: ES 0 0 (4) ES max ( ES D ), V (5) jzp j EF ES D, V (6) gdze: ZP - zbór bezpośrednch poprzednków zadana. Najpóźnejsze możlwe czasy rozpoczęca LS zakończena LF, pownny uwzględnać neprzekraczalny czas zakończena projektu DD (ang. due date) oraz mnmalny czas realzacj wszystkch następnków (ne tylko bezpośrednch) danej czynnośc. Analza czasowa prowadzona jest rekurencyjne w kolejnośc od zadana N+1 do zadana 0: j LS max(, N1 ESN 1 DD) (7) LF mn( mn( LF D ), EF D ), V (8) jzn j LS LF D, V (9) gdze: ZN - zbór bezpośrednch następnków zadana. Rozwązanem problemu RCPSP z mnmalzacją czasu trwana projektu w reprezentacj bezpośrednej jest wektor czasów rozpoczęca zadań. Reprezentacja bezpośredna ne jest często używana w heurystykach m.n. ze względu na trudnośc w przeszukwanu przestrzen potencjalnych rozwązań. W procedurach LS stosowane jest kodowane harmonogramów przy wykorzystanu reprezentacj [9]: - lsty czynnośc (ang. actvty lst) rozwązane to permutacja numerów kolejnych zadań przy uwzględnenu relacj kolejnoścowych (najbardzej efektywne najczęścej stosowane kodowane dla RCPSP [9]), - reguł prorytetu rozwązane to lsta prorytetowa, w której każdemu zadanu przypsana jest reguła prorytetu, - wektora opóźneń rozwązane to wektor opóźneń poszczególnych czynnośc od najwcześnejszego możlwego ch czasu rozpoczęca. Rozwązana w reprezentacj lsty czynnośc lub reguł prorytetu dekodowane są przy użycu schematów generowana harmonogramu SGS (ang. Seral Schedule Generaton Scheme) w realzowalne uszeregowana, uwzględnające ogranczena czasowe zasobowe, w reprezentacj bezpośrednej. Dla determnstycznego RCPSP wykorzystywane są [6]: j 591
4 - szeregowy SGS (ang. seral SGS) procedura dekodująca, w której w kolejnych chwlach t wyznaczany jest czas rozpoczęca dla perwszego neuszeregowanego zadana z lsty czynnośc lub prorytetowej, w najwcześnejszym możlwym czase przy uwzględnenu ogranczeń kolejnoścowych zasobowych, - równoległy SGS (ang. parallel SGS) procedura dekodująca, w której w kolejnych chwlach t rozpoczynane są wszystke neuszeregowane zadana (analzowane w kolejnośc wynkającej z lsty czynnośc lub prorytetowej), które mogą być rozpoczęte w chwl t przy uwzględnenu ogranczeń kolejnoścowych zasobowych. Przy ustalanu czasów rozpoczęca zadań stosowane są różne stratege: - harmonogramowane w przód (ang. forward schedulng) planowane kolejnych zadań od początku lsty czynnośc lub prorytetowej w najwcześnejszych możlwych termnach przy uwzględnenu ogranczeń kolejnoścowych zasobowych, - harmonogramowane wstecz (ang. backward schedulng) planowane kolejnych zadań od końca lsty czynnośc lub prorytetowej, przy uwzględnenu ogranczeń kolejnoścowych, zasobowych, rozpoczynając planowane wstecz od termnu przyjętego zakończena projektu (due date). 3. Heurystyka z regułam prorytetowana zadań Algorytm prorytetowy tworzy harmonogram na podstawe prorytetów poszczególnych zadań wyznaczanych dla przyjętych reguł prorytetowych. Generowana jest lsta czynnośc uwzględnająca te prorytety, którą procedura dekodująca SGS zamena w harmonogram w reprezentacj bezpośrednej (ustalane są czasy rozpoczęca zadań). Heurystyk dzałające w oparcu o lstę prorytetową czynnośc tworzą harmonogramy, które mogą znaczne odbegać od optymalnych, ale są przydatne jako rozwązana nauguracyjne w procedurach poprawy tj. metaheurystyk symulowanego wyżarzana. Klasyczny algorytm prorytetowy jest jednoprzebegowy tworzy jedno rozwązane. Autorzy proponują heurystykę weloprzebegową, która generuje wększą lczbę potencjalnych uszeregowań przy uwzględnenu danej reguły prorytetowej [4-5]. Jest to zrandomzowana wersja klasycznego algorytmu prorytetowego, w której wprowadzona jest losowość w budowanu lst czynnośc na podstawe prorytetów zadań (koncepcja zblżona do selekcj osobnków metodą rankngowej w algorytmach genetycznych [11]). W pojedynczym przebegu proponowanej heurystyk weloprzebegowej tworzona jest lsta czynnośc L, która jest następne dekodowana przy użycu procedury SGS. Przy ustalanu lsty L wykorzystywane są nformacje: - z lsty LP statycznej lsty czynnośc wyznaczonej na podstawe prorytetów zadań wyznaczonych dla stosowanej reguły prorytetowej (kolejność na lśce LP taka jak ustalona dla danej reguły w klasycznym algorytme prorytetowym jednoprzebegowym), - z lsty LA dynamcznej lsty dostępnych zadań, ne dodanych jeszcze do lsty L, tych które mogą być już rozpoczęte uwzględnając zależnośc kolejnoścowe (poprzednkam ch są zadana znajdujące sę na lśce L). Kolejne krok algorytmu weloprzebegowego wyglądają następująco [4-5]: Krok 1: Ustawene pustej lsty L. Na lśce LA wpsane wszystkch następnków zadana o numerze 0 posortowanych w porządku takm jak na lśce LP. 592
5 Krok 2: Wylosowane z lsty LA jednego zadana przy uwzględnenu szans poszczególnych zadań wyznaczonych na podstawe ch pozycj na lśce LA: zadane perwsze ma najwększą lczbę szans na selekcję równą lczbe zadań na lśce LA,, zadane ostatne ma przyznaną jedną szansę selekcj (podobne jak w selekcj rankngowej w algorytmach genetycznych [11]). Krok 3: Usunęce wylosowanego zadana z lsty LA dodane go do lsty L. Umeszczene na lśce LA wszystkch następnków zadana, których wszystke poprzednk umeszczone są na lśce L, z zachowanem porządku takego jak na lśce LP. Krok 4: Powtórzene kroków 2-3 aż do wypełnena lsty L wszystkm zadanam projektowym. Wyznaczone lsty czynnośc L w poszczególnych przebegach różną sę od sebe, ale uwzględnają herarchę zadań ustaloną na podstawe danej reguły prorytetowej. Wynkem dzałana heurystyk weloprzebegowej jest rozwązane o najmnejszym czase trwana projektu, wyznaczone przy wykorzystanu procedur SGS dla lst L z kolejnych przebegów algorytmu. Znalezene odpowednch reguł prorytetowych, może meć wpływ na jakość uzyskwanych harmonogramów, zarówno heurystyk jedno- jak weloprzebegowej. W tabel 1 przedstawone są reguły prorytetowana (reguły P 1-P 11), wykorzystywane w badanach dotyczących problemu RCPSP [7], które są analzowane w tej pracy. Dla celów porównawczych dodano regułę P 0, w której poszczególnym czynnoścom przypsane są losowe prorytety. Tab. 1. Reguły prorytetowana zadań [4-5] Reguła Wzór na prorytet zadana Ops reguły P 0 P0 ( ) random () losowe prorytety czynnośc P 1 P 2 P 3 P 4 P ( ) ES 1 P ( ) LS 2 P ( ) LF 3 P ( ) EF P 5 P ( ) ( LS ES ) 4 5 P 6 P ( ) ( LF EF ) P 7 6 P ( ) # N 7 mnmalny najwcześnejszy czas rozpoczęca czynnośc mnmalny najpóźnejszy czas rozpoczęca czynnośc mnmalny najpóźnejszy czas zakończena czynnośc mnmalny najwcześnejszy czas zakończena czynnośc mnmalna różnca mędzy najpóźnejszym a najwcześnejszym możlwym czasem rozpoczęca czynnośc mnmalna różnca mędzy najpóźnejszym a najwcześnejszym możlwym czasem zakończena czynnośc maksymalna lczba wszystkch następnków czynnośc 593
6 P 8 P 9 P 10 P 11 P11 ( ) P ( ) # ZN 8 P ( ) D maksymalna lczba wszystkch bezpośrednch następnków czynnośc 9 najkrótszy czas trwana czynnośc P ( ) D D j D maksymalna suma czasów trwana danej 10 czynnośc jej wszystkch następnków K k1 R k j N D K j jn k1 R jk maksymalna suma loczynu czasu trwana zasobochłonnośc danej czynnośc jej wszystkch następnków Jeśl stosując daną regułę prorytetową czynnośc mają take same prorytety, to na wcześnejszych pozycjach lsty czynnośc umeszczane są czynnośc oznaczone nższym numerem. 4. Przykład lustracyjny Przykładowy projekt przedstawony jest jako seć czynnośc AON na rysunku 1. Składa sę z 8 zadań (węzły 0 9 to zadana pozorne o zerowym czase trwana zapotrzebowanu na zasoby, reprezentujące początek konec grafu). Jest realzowany za pomocą jednego typu zasobu o dostępnośc równej 10 (A = 10). Na węzłach zdefnowane są zadana ch czasy trwana zapotrzebowane na zasoby. Krawędze reprezentują zależnośc kolejnoścowe mędzy zadanam. Neprzekraczalny termn realzacj projektu wynos 14 (DD = 14). Rys. 1. Seć czynnośc AON przykładowego projektu W analzowanych w pracy heurystykach prorytetowych generowana jest lsta czynnośc, ustawonych w kolejnośc wynkającej z przyjętej reguły prorytetowej, która następne jest dekodowana za pomocą SGS. W ponższej analze stosowana jest reguła prorytetowa P 7, w której zadana są w porządku malejącym na podstawe lczby wszystkch następnków czynnośc (poza pozornym). Prorytety poszczególnych zadań wynoszą: P 7(1) = 1, P 7(2) = 1, P 7(3) = 1, P 7(4) = 0, P 7(5) = 0, P 7(6) = 1, P 7(7) = 0, P 7(8) =
7 Na podstawe prorytetów lsta czynnośc jest następująca: {1, 2, 3, 6, 4, 5, 7, 8}. Ta lsta jest dekodowana w realzowalny harmonogram (wektor czasów rozpoczęca zadań), przy uwzględnenu ogranczeń kolejnoścowych zasobowych, za pomocą procedur SGS. Zadana mogą być rozpatrywane od początku lsty czynnośc {1, 2, 3, 6, 4, 5, 7, 8} (harmonogramowane w przód) lub od jej końca {8, 7, 5, 4, 6, 3, 2, 1}. (harmonogramowane wstecz). W przypadku harmonogramowana wstecz generowane harmonogramu zaczyna sę od końca : od termnu przyjętego zakończena projektu (w analzowanym przykładze od DD = 14). Po utworzenu całego uszeregowana, czasy rozpoczęca zadań są korygowane w ten sposób aby czas rozpoczęca projektu był równy 0. Harmonogramy znalezone dla lsty czynnośc{1, 2, 3, 6, 4, 5, 7, 8} znajdują sę na rysunku 2 (harmonogramowane w przód, szeregowa równoległa procedura SGS), rysunku 3 (harmonogramowane wstecz, szeregowa procedura SGS), oraz rysunku 4 (harmonogramowane wstecz, równoległa procedura SGS). Rys. 2. Harmonogram znalezony dla lsty czynnośc {1, 2, 3, 6, 4, 5, 7, 8}, przy harmonogramowanu w przód dla szeregowej równoległej procedury SGS Rys. 3. Harmonogram znalezony dla lsty czynnośc {1, 2, 3, 6, 4, 5, 7, 8}, przy harmonogramowanu wstecz dla szeregowej procedury SGS 595
8 Rys. 4. Harmonogram znalezony dla lsty czynnośc {1, 2, 3, 6, 4, 5, 7, 8}, przy harmonogramowanu wstecz dla równoległej procedury SGS Wybór procedury dekodowana SGS ma wpływ na jakość uzyskwanych rozwązań. Zasadne jest sprawdzene skutecznośc różnych SGS dla analzowanego problemu. W rozpatrywanym przykładze najlepszy harmonogram o czase realzacj równym 9 znalezony jest przy użycu harmonogramowana w przód (szeregowej równoległej procedury SGS). Dla heurystyk weloprzebegowej wyjaśnena wymaga przede wszystkm krok 2. W kroku tym losowane jest jedno zadane z lsty LA zadań dostępnych do harmonogramowana zadań. Dla analzowanego przykładu z przyjętą reguła prorytetową strategą harmonogramowana w przód w kroku 1 do lsty LA dodawane są następnk zadana 0 w kolejnośc takej jak na lśce LP = {1, 2, 3, 6, 4, 5, 7, 8}. Przy takm założenu LA = {1, 2, 3, 4}. W kroku 2 zadane jest losowane z lsty {1, 1, 1, 1, 2, 2, 2, 3, 3, 4}, na której każde z zadań ma szansę wyboru wynkającą z pozycj na aktualnej lśce LA: zadane perwsze (w tym przypadku zadane 1) na lśce LA ma 4 szanse,, zadane ostatne (w tym przypadku zadane 4) ma jedną szansę wyboru. W kroku 3 zadane wylosowane w kroku 2 jest wstawane do lsty czynnośc L a jego następnk są umeszczane na lśce LA w porządku z lsty LP. Krok 2-3 są powtarzane aż do umeszczena wszystkch zadań projektowych na lśce L. Przy takej strateg tworzena lsty czynnośc L uwzględnone są prorytety poszczególnych zadań. 5. Wynk eksperymentów Eksperymenty przeprowadzono przy wykorzystanu aplkacj zamplementowanej w języku C# w środowsku Vsual Studo.NET dla projektów testowych z bblotek PSPLIB [10] ze zboru J30 (480 nstancj 30-zadanowych) oraz J90 (480 nstancj 90-zadanowych). Celem eksperymentów jest sprawdzene efektywnośc proponowanych heurystyk prorytetowych (jednoprzebegowej weloprzebegowej), znalezene najlepszych reguł prorytetowych (spośród reguł P 0-P 11) procedur dekodujących SGS (równoległej lub szeregowej) harmonogramowana w przód lub wstecz. W zrandomzowanej heurystyce weloprzebegowej dla każdej nstancj problemu lczba przeprowadzonych przebegów wynos 100 (lczba sprawdzanych rozwązań jest równa 100). Wynk oblczeń 596
9 zaprezentowane są w tabelach 2 3. Dane dotyczące heurystyk jednoprzebegowej znajdują sę w werszach oznaczonych P 0-P 11 a wersj zrandomzowanej, weloprzebegowej w werszach oznaczonych rp 0-rP 11. Tab. 2.Wynk eksperymentów oblczenowych dla zestawu J30 Schemat generowana harmonogramu Szeregowy w przód Równoległy w przód Szeregowy wstecz Równoległy wstecz a b c a b c a b c a b c P 0 68,1 15,5% ,1 10,3% ,0 13,5% ,0 15,2% 74 rp 0 60,8 3,0% ,5 2,6% ,2 2,1% ,3 12,5% 88 P 1 64,7 9,7% ,0 8,4% ,6 6,1% ,3 14,0% 79 rp 1 60,8 3,1% ,6 2,7% ,1 1,8% ,4 12,6% 88 P 2 62,3 5,6% ,0 5,1% ,3 14,1% 67 68,0 15,2% 74 rp 2 60,2 2,0% ,2 2,0% ,4 2,3% ,3 12,5% 87 P 3 62,7 6,2% ,9 4,8% ,8 11,6% ,8 15,0% 75 rp 3 60,2 2,1% ,2 2,1% ,2 2,0% ,4 12,5% 88 P 4 66,2 12,2% ,3 9,1% ,5 5,9% ,3 14,1% 80 rp 4 61,0 3,3% ,6 2,8% ,0 1,8% ,4 12,6% 87 P 5 65,1 10,4% ,1 7,0% ,9 21,9% 50 68,6 16,2% 66 rp 5 60,4 2,4% ,3 2,2% ,6 2,8% ,4 12,5% 88 P 6 65,7 11,4% ,2 7,2% ,8 21,8% 49 68,6 16,3% 66 rp 6 60,4 2,5% ,4 2,3% ,6 2,7% ,4 12,6% 87 P 7 63,2 7,2% ,2 5,5% ,8 11,5% ,8 14,9% 75 rp 7 60,3 2,2% ,3 2,2% ,2 2,1% ,4 12,5% 88 P 8 65,1 10,4% ,4 7,5% ,7 11,4% ,8 14,9% 76 rp 8 60,8 3,0% ,5 2,6% ,3 2,1% ,4 12,6% 88 P 9 69,5 17,9% ,9 9,9% ,6 11,3% ,6 14,7% 78 rp 9 61,1 3,6% ,6 2,8% ,1 1,9% ,4 12,5% 88 P 10 62,4 5,9% ,0 5,1% ,7 13,0% 89 67,9 15,1% 74 rp 10 60,2 2,1% ,2 2,0% ,3 2,1% ,4 12,5% 87 P 11 62,9 6,6% ,2 5,5% ,6 14,6% 82 68,2 15,5% 74 rp 11 60,2 2,1% ,2 2,0% ,3 2,1% ,4 12,5% 88 a średna wartość funkcj celu F, b odchylene średnej wartośc funkcj celu F od rozwązana optymalnego, c lczba rozwązań optymalnych (spośród 480 eksperymentów). 597
10 Tab. 2.Wynk eksperymentów oblczenowych dla zestawu J90 Schemat generowana harmonogramu Szeregowy w przód Równoległy w przód Szeregowy wstecz Równoległy wstecz a b c a b c a b c a b c P 0 113,4 19,5% ,5 12,2% ,6 13,4% ,7 17,7% 80 rp 0 102,5 7,9% ,2 5,6% ,1 5,4% ,2 12,9% 90 P 1 106,9 12,6% ,3 10,9% ,1 6,4% ,7 16,6% 82 rp 1 102,4 7,9% ,6 6,0% ,3 4,6% ,8 13,5% 85 P 2 100,6 6,0% ,4 5,7% ,9 15,8% ,1 18,0% 68 rp 2 100,0 5,4% ,9 4,2% ,1 5,4% ,1 12,8% 89 P 3 101,1 6,5% ,5 5,9% ,7 13,5% ,9 17,9% 69 rp 3 100,1 5,5% ,9 4,2% ,9 5,2% ,2 12,9% 89 P 4 109,0 14,8% ,7 11,3% ,5 5,9% ,7 16,6% 81 rp 4 102,9 8,3% ,7 6,1% ,1 4,4% ,9 13,7% 85 P 5 105,7 11,3% ,6 8,0% ,0 22,2% ,7 18,8% 65 rp 5 100,8 6,2% ,2 4,5% ,6 6,0% ,0 12,7% 90 P 6 106,1 11,7% ,6 8,1% ,7 21,9% ,8 18,8% 66 rp 6 100,9 6,2% ,3 4,6% ,6 5,9% ,1 12,8% 90 P 7 101,9 7,3% ,2 6,6% ,6 13,4% ,0 18,0% 70 rp 7 100,5 5,8% ,2 4,5% ,9 5,2% ,2 12,9% 90 P 8 106,3 12,0% ,7 9,2% ,9 11,6% ,6 17,5% 72 rp 8 102,0 7,4% ,1 5,4% ,9 5,2% ,2 12,9% 88 P 9 114,5 20,6% ,4 12,1% ,2 10,8% ,4 17,4% 75 rp 9 103,1 8,6% ,3 5,6% ,7 5,0% ,2 12,9% 89 P ,1 6,5% ,9 6,2% ,8 14,6% ,1 18,1% 68 rp ,3 5,6% ,1 4,4% ,9 5,3% ,1 12,8% 89 P ,6 7,1% ,0 6,3% ,8 15,7% ,3 18,3% 66 rp ,4 5,7% ,2 4,4% ,1 5,4% ,1 12,8% 89 a średna wartość funkcj celu F, b odchylene średnej wartośc funkcj celu F od najlepszego znanego rozwązana, c lczba rozwązań dentycznych z najlepszym znanym rozwązanem (spośród 480 eksperymentów). Zrandomzowana wersja heurystyk prorytetowej weloprzebegowej jest skutecznejsza od jednoprzebegowej dla każdej z reguł prorytetowych P 0 P 11. Zastosowane wększośc z reguł prorytetowych wyznaczanych na podstawe analzy danych projektowych P 1 P 11 daje lepsze rezultaty nż zastosowane reguły losowych prorytetów P 0 (można to zaobserwować zwłaszcza przy harmonogramowanu w przód). Najlepsze zasady ustalana kolejnośc zadań przy harmonogramowanu w przód to mnmalny najpóźnejszy czas rozpoczęca (P 2) oraz mnmalny najpóźnejszy czas zakończena zadań (P 3), natomast przy harmonogramowanu wstecz mnmalny najwcześnejszy czas zakończena zadań (P 4) przy szeregowej procedurze dekodującej SGS. Występuje zróżncowane osąganych rezultatów w zależnośc od przyjętej reguły prorytetowej. Najwększą lczbę najlepszych uszeregowań, zarówno dla nstancj testowych ze zboru J30 (336 harmonogramów optymalnych spośród 480 możlwych) jak J90 (
11 harmonogramów spośród 480 możlwych o czase trwana równym najlepszemu znanemu rozwązanu), znalezono przy zastosowanu heurystyk weloprzebegowej z regułą prorytetową P 4 (mnmalny najwcześnejszy czas zakończena zadań), harmonogramowanu wstecz z szeregową procedurą SGS. Najgorsze wynk dla wększośc reguł prorytetowana zadań są osągane dla harmonogramowana wstecz z równoległą procedurą dekodującą SGS. 6. Podsumowane W artykule przedstawono algorytmy prorytetowe (jedno- weloprzebegowy) dla problemu harmonogramowana projektu z mnmalzacją czasu trwana projektu. Wynk eksperymentów oblczenowych potwerdzły skuteczność opracowanej przez autorów heurystyk weloprzebegowej. Wskazały też na skuteczne reguły prorytetowe dla rozważanego zagadnena. Najskutecznejsza w poszukwanu harmonogramów optymalnych (dla zboru nstancj testowych J30) dentycznych z najlepszym znanym (dla zboru nstancj testowych J90) okazała sę heurystyka weloprzebegowa z reguła prorytetową mnmalny najwcześnejszy czas zakończena zadań przy harmonogramowanu wstecz szeregowej procedurze dekodującej. Proponowane heurystyk dzałające na podstawe reguł prorytetowych są efektywne szybke w dzałanu. Mogą być wykorzystane jako rozwązana startowe w algorytmach metaheurystycznych tj. symulowane wyżarzane. Lteratura 1. Błażewcz J., Lenstra J., Kan A. R.: Schedulng subject to resource constrants - classfcaton and complexty. Dscrete Appled Mathematcs, 5, 1983, Hartmann S., Brskorn D.: A Survey of Varants and Extensons of the Resource- Constraned Project Schedulng Problem. European Journal of Operatonal Research, 207(1), 2012, Hartmann S., Kolsch R., Expermental evaluaton of state-of-the-art heurstcs for the resource-constraned project schedulng problem. European Journal of Operatonal Research, 127, 2000, s Klmek M.: Predyktywno-reaktywne harmonogramowane produkcj z ogranczoną dostępnoścą zasobów. Praca doktorska, AGH Kraków, Klmek M., Łebkowsk P.: Algorytm prorytetowy harmonogramowana projektu przy ogranczonych zasobach, [w:] Komputerowo Zntegrowane Zarządzane, Knosala R. (red.), Opole: Ofcyna Wydawncza Polskego Towarzystwa Zarządzana Produkcją, T.I, 2008, s Kolsch R.: Seral and parallel resource-constraned project schedulng methods revsted: Theory and computaton, European Journal of Operatonal Research, 90, 1996, Kolsch, R. Effcent prorty rules for the resource-constraned project schedulng problem. Journal of Operatons Management 14, 1996, s Kolsch R., Hartmann S.: Expermental nvestgaton of heurstcs for resourceconstraned project schedulng: An update, European Journal of Operatonal Re-search 174, 2006, s
12 9. Kolsch R., Padman R.: An ntegrated survey of determnstc project schedulng, OMEGA The Internatonal Journal of Management Scence, 29, 2001, Kolsch R., Sprecher A.: PSPLIB a project schedulng lbrary. European Journal of Operatonal Research 96, 1997, s Mchalewcz Z.: Algorytmy genetyczne + struktury danych = programy ewolucyjne, Wydawnctwo WNT, Warszawa, 1999 Dr nż. Marcn KLIMEK Zakład Informatyk, Katedra Nauk Techncznych, Wydzał Nauk Ekonomcznych Techncznych, Państwowa Szkoła Wyższa m. Papeża Jana Pawła II Bała Podlaska, ul. Sdorska 95/97, e-mal: m.klmek@dydaktyka.pswbp.pl Dr hab. nż. Potr ŁEBKOWSKI, prof. AGH Katedra Badań Operacyjnych Technolog Informacyjnych, Wydzał Zarządzana AGH Kraków, ul. Gramatyka 10, e-mal: plebkows@zarz.agh.edu.pl 600
Algorytmy konstrukcyjne dla problemu harmonogramowania projektu z ograniczonymi zasobami. Marcin Klimek *
Zeszyty Naukowe WWSI, No 15, Vol. 10, 2016, s. 41-52 Algorytmy konstrukcyjne dla problemu harmonogramowania projektu z ograniczonymi zasobami Marcin Klimek * Państwowa Szkoła Wyższa w Białej Podlaskiej,
Bardziej szczegółowoHARMO OGRAMOWA IE PROJEKTU ZE ZDEFI IOWA YMI KAMIE IAMI MILOWYMI
Marcn Klmek HARMO OGRAMOWA IE PROJEKTU ZE ZDEFI IOWA YMI KAMIE IAMI MILOWYMI Słowa kluczowe: harmonogramowane projektu, kamene mlowe, ter-mny zakończena. Wstęp W ostatnch latach powstaje wele prac z harmonogramowana
Bardziej szczegółowoRozwiązywanie zadań optymalizacji w środowisku programu MATLAB
Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe
Bardziej szczegółowoPROCEDURY ODPORNEJ ALOKACJI ZASOBÓW DLA PROBLEMU HARMONOGRAMOWANIA PROJEKTU Z WAŻONYMI KOSZTAMI NIESTABILNOŚCI 1
PROCEDURY ODPORNEJ ALOKACJI ZASOBÓW DLA PROBLEMU HARMONOGRAMOWANIA PROJEKTU Z WAŻONYMI KOSZTAMI NIESTABILNOŚCI 1 Marcn KLIMEK, Potr ŁEBKOWSKI Streszczene: Odporne harmonogramowane projektu jest ważnym
Bardziej szczegółowoRÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI
RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI Wojcech BOŻEJKO, Marusz UCHROŃSKI, Meczysław WODECKI Streszczene: W pracy rozpatrywany jest ogólny problem kolejnoścowy
Bardziej szczegółowoSymulowane wyżarzanie dla problemu harmonogramowania projektu z ograniczonymi zasobami. Marcin Klimek *
Zeszyty Naukowe WWSI, No 15, Vol. 10, 2016, s. 53-65 Symulowane wyżarzanie dla problemu harmonogramowania projektu z ograniczonymi zasobami Marcin Klimek * Państwowa Szkoła Wyższa w Białej Podlaskiej,
Bardziej szczegółowoWikiWS For Business Sharks
WkWS For Busness Sharks Ops zadana konkursowego Zadane Opracowane algorytmu automatyczne przetwarzającego zdjęce odręczne narysowanego dagramu na tablcy lub kartce do postac wektorowej zapsanej w formace
Bardziej szczegółowoMETODA MONTE CARLO DLA PROBLEMU HARMONOGRAMOWANIA PROJEKTU Z MAKSYMALIZACJĄ PRZEPŁYWÓW PIENIĘŻNYCH W WARUNKACH NIEPEWNOŚCI 1
METODA MONTE CARLO DLA PROBLEMU HARMONOGRAMOWANIA PROJEKTU Z MAKSYMALIZACJĄ PRZEPŁYWÓW PIENIĘŻNYCH W WARUNKACH NIEPEWNOŚCI 1 Marcn KLIMEK, Potr ŁEBKOWSKI Streszczene: W artykule przedstawone jest zagadnene
Bardziej szczegółowo5. OPTYMALIZACJA GRAFOWO-SIECIOWA
. OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,
Bardziej szczegółowoMinimalizacja globalna. Algorytmy genetyczne i ewolucyjne.
Mnmalzacja globalna Algorytmy genetyczne ewolucyjne. Lnearyzacja nelnowego operatora g prowadz do przyblżonych metod rozwązywana zagadnena odwrotnego. Wynk takej nwersj jest slne uzależnony od wyboru modelu
Bardziej szczegółowoSZTUCZNA 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 szczegółowoKlasyfkator lnowy Wstęp Klasyfkator lnowy jest najprostszym możlwym klasyfkatorem. Zakłada on lnową separację lnowy podzał dwóch klas mędzy sobą. Przedstawa to ponższy rysunek: 5 4 3 1 0-1 - -3-4 -5-5
Bardziej szczegółowoMinimalizacja globalna, algorytmy genetyczne i zastosowanie w geotechnice
Mnmalzacja globalna, algorytmy genetyczne zastosowane w geotechnce Metoda sejsmczna Metoda geoelektryczna Podstawowy podzał ZAGADNIENIE PROSTE (ang. forward problem) model + parametry modelu dane (ośrodek,
Bardziej szczegółowoKRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA
KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA Krzysztof Serżęga Wyższa Szkoła Informatyk Zarządzana w Rzeszowe Streszczene Artykuł porusza temat zwązany
Bardziej szczegółowoRozdział 6 Programowanie sieciowe
Rozdzał 6 Programowane secowe Metody programowana secowego są to technk planowana złożonych przedsęwzęć organzacyjnych stosowane w celu zapewnena sprawnego przebegu ch realzacj. Metody wykorzystujące sec
Bardziej szczegółowoDWUKIERUNKOWA HEURYSTYKA BALANSOWANIA LINII MONTAŻOWEJ
DWUKIERUNKOWA HEURYSTYKA BALANSOWANIA LINII MONTAŻOWEJ Waldemar GRZECHCA Streszczene: Problem balansowana ln montażowej należy do problemów o złożonośc oblczenowej klasy NP trudne. Dlatego też od klkudzesęcu
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x
Bardziej szczegółowoZapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.
Zaps nformacj, systemy pozycyjne 1 Lteratura Jerzy Grębosz, Symfona C++ standard. Harvey M. Detl, Paul J. Detl, Arkana C++. Programowane. Zaps nformacj w komputerach Wszystke elementy danych przetwarzane
Bardziej szczegółowoAnaliza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A
Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 18. ALGORYTMY EWOLUCYJNE - ZASTOSOWANIA Częstochowa 2014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska ZADANIE ZAŁADUNKU Zadane załadunku plecakowe
Bardziej szczegółowoALGORYTM PRIORYTETOWY ALOKACJI BUFORÓW DLA PROBLEMU HARMONOGRAMOWANIA PROJEKTU ZE ZDEFINIOWANYMI KAMIENIAMI MILOWYMI
Marcn LIME *, Potr ŁEBOWSI ** ALGORYTM PRIORYTETOWY ALOACJI BUFORÓW DLA PROBLEMU HARMONOGRAMOWANIA PROJETU ZE ZDEFINIOWANYMI AMIENIAMI MILOWYMI Streszczene Artykuł prezentue model harmonogramowana proektu
Bardziej szczegółowoLaboratorium ochrony danych
Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz
Bardziej szczegółowoALGORYTMY WSTAWIEŃ DLA ZAGADNIENIA HARMONOGRAMOWANIA PROJEKTU ZE ZDEFINIOWANYMI KAMIENIAMI MILOWYMI
ALGORYTMY WSTAWIEŃ DLA ZAGADNIENIA HARMONOGRAMOWANIA PROJEKTU ZE ZDEFINIOWANYMI KAMIENIAMI MILOWYMI Macn KLIMEK, Pot ŁEBKOWSKI Steszczene: W atykule opsano algoytm wstaweń dla poblemu hamonogamowana pojektu
Bardziej szczegółowoPROJEKTOWANIE REALIZACJI PRZEDSIĘWZIĘĆ BUDOWLANYCH ZE ZMIENNĄ W CZASIE INTENSYWNOŚCIĄ WYKONANIA PROCESÓW NIEKRYTYCZNYCH
ZESZYTY NAUKOWE WSOWL Nr 1 (167) 2013 PROJEKTOWANIE REALIZACJI PRZEDSIĘWZIĘĆ BUDOWLANYCH ZE ZMIENNĄ W CZASIE INTENSYWNOŚCIĄ WYKONANIA PROCESÓW NIEKRYTYCZNYCH Potr JAŚKOWSKI Wydzał Budownctwa Archtektury,
Bardziej szczegółowoRISK-AWARE PROJECT SCHEDULING
RISK-AWARE PROJECT SCHEDULING PROUCT - GRASP KAROL WALĘDZIK DEFINICJA ZAGADNIENIA RESOURCE-CONSTRAINED PROJECT SCHEDULING (RCPS) Karol Walędzik - RAPS 3 RISK-AWARE PROJECT SCHEDULING (RAPS) 1 tryb wykonywania
Bardziej szczegółowoAnaliza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)
Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz
Bardziej szczegółowoHARMONOGRAMOWANIE PROJEKTÓW W DYNAMICZNYCH RODOWISKACH PRODUKCYJNYCH
Marcn Klmek HARMONOGRAMOWANIE PROJEKTÓW W DYNAMICZNYCH RODOWISKACH PRODUKCYJNYCH S owa kluczowe: harmonogramowane projektów, zak ócena produkcyjne, predyktywno-reaktywne harmonogramowane Wst p Zarz dzane
Bardziej szczegółowoMETODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.
Opracowane: Dorota Mszczyńska METODA UNITARYZACJI ZEROWANEJ Porównane obektów przy ocene welokryteralnej. Rankng obektów. Porównane wybranych obektów (warantów decyzyjnych) ze względu na różne cechy (krytera)
Bardziej szczegółowoBADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda
BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp
Bardziej szczegółowoRISK-AWARE PROJECT SCHEDULING
RISK-AWARE PROJECT SCHEDULING SIMPLEUCT CZ. 2 KAROL WALĘDZIK DEFINICJA ZAGADNIENIA RESOURCE-CONSTRAINED PROJECT SCHEDULING (RCPS) Karol Walędzik - RAPS 3 RISK-AWARE PROJECT SCHEDULING (RAPS) 1 tryb wykonywania
Bardziej szczegółowoMATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5
MATEMATYKA POZIOM ROZSZERZONY Krytera ocenana odpowedz Arkusz A II Strona 1 z 5 Odpowedz Pytane 1 2 3 4 5 6 7 8 9 Odpowedź D C C A B 153 135 232 333 Zad. 10. (0-3) Dana jest funkcja postac. Korzystając
Bardziej szczegółowoWSPOMAGANE KOMPUTEROWO POMIARY CZĘSTOTLIWOŚCI CHWILOWEJ SYGNAŁÓW IMPULSOWYCH
Metrologa Wspomagana Komputerowo - Zegrze, 9-22 05.997 WSPOMAGANE KOMPUTEROWO POMIARY CZĘSTOTLIWOŚCI CHWILOWEJ SYGNAŁÓW IMPULSOWYCH dr nż. Jan Ryszard Jask, dr nż. Elgusz Pawłowsk POLITECHNIKA lubelska
Bardziej szczegółowoKomórkowy model sterowania ruchem pojazdów w sieci ulic.
Komórkowy model sterowana ruchem pojazdów w sec ulc. Autor: Macej Krysztofak Promotor: dr n ż. Marusz Kaczmarek 1 Plan prezentacj: 1. Wprowadzene 2. Cel pracy 3. Podsumowane 2 Wprowadzene Sygnalzacja śwetlna
Bardziej szczegółowoSTATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ],
STATECZNOŚĆ SKARP W przypadku obektu wykonanego z gruntów nespostych zaprojektowane bezpecznego nachylena skarp sprowadza sę do przekształcena wzoru na współczynnk statecznośc do postac: tgφ tgα = n gdze:
Bardziej szczegółowoWprowadzenie do Sieci Neuronowych Sieci rekurencyjne
Wprowadzene do Sec Neuronowych Sec rekurencyjne M. Czoków, J. Persa 2010-12-07 1 Powtórzene Konstrukcja autoasocjatora Hopfelda 1.1 Konstrukcja Danych jest m obrazów wzorcowych ξ 1..ξ m, gdze każdy pojedynczy
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 1 Statystyka opsowa ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 W statystyce opsowej mamy pełne nformacje
Bardziej szczegółowoRISK-AWARE PROJECT SCHEDULING
RISK-AWARE PROJECT SCHEDULING METODA GRASP KAROL WALĘDZIK DEFINICJA ZAGADNIENIA RESOURCE-CONSTRAINED PROJECT SCHEDULING (RCPS) Karol Walędzik - RAPS 3 RISK-AWARE PROJECT SCHEDULING (RAPS) 1 tryb wykonywania
Bardziej szczegółowo2012-10-11. Definicje ogólne
0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj
Bardziej szczegółowoProces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
Bardziej szczegółowoRISK-AWARE PROJECT SCHEDULING
RISK-AWARE PROJECT SCHEDULING Z WYKORZYSTANIEM UCT KAROL WALĘDZIK DEFINICJA ZAGADNIENIA RESOURCE-CONSTRAINED PROJECT SCHEDULING (RCPS) Karol Walędzik - RAPS 3 RISK-AWARE PROJECT SCHEDULING (RAPS) 1 tryb
Bardziej szczegółowoPODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH
PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH Z a k ł a d U b e z p e c z e ń S p o ł e c z n y c h Wprowadzene Nnejsza ulotka adresowana jest zarówno do osób dopero ubegających
Bardziej szczegółowoZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 2(88)/2012
ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW (88)/01 Hubert Sar, Potr Fundowcz 1 WYZNACZANIE ASOWEGO OENTU BEZWŁADNOŚCI WZGLĘDE OSI PIONOWEJ DLA SAOCHODU TYPU VAN NA PODSTAWIE WZORU EPIRYCZNEGO 1. Wstęp asowy moment
Bardziej szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
Bardziej szczegółowoProblem plecakowy (KNAPSACK PROBLEM).
Problem plecakowy (KNAPSACK PROBLEM). Zagadnene optymalzac zwane problemem plecakowym swą nazwę wzęło z analog do sytuac praktyczne podobne do problemu pakowana plecaka. Chodz o to, by zapakować maksymalne
Bardziej szczegółowoProcedura normalizacji
Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny
Bardziej szczegółowoZmodyfikowana technika programowania dynamicznego
Zmodyfkowana technka programowana dynamcznego Lech Madeysk 1, Zygmunt Mazur 2 Poltechnka Wrocławska, Wydzał Informatyk Zarządzana, Wydzałowy Zakład Informatyk Wybrzeże Wyspańskego 27, 50-370 Wrocław Streszczene.
Bardziej szczegółowoZadanie na wykonanie Projektu Zespołowego
Zadane na wykonane Projektu Zespołowego Celem projektu jest uzyskane następującego szeregu umejętnośc praktycznych: umejętnośc opracowana równoległych wersj algorytmów (na przykładze algorytmów algebry
Bardziej szczegółowoPOŁĄCZENIE ALGORYTMÓW SYMULACYJNYCH ORAZ DZIEDZINOWYCH METOD HEURYSTYCZNYCH W ZAGADNIENIACH DYNAMICZNEGO PODEJMOWANIA DECYZJI
POŁĄCZENIE ALGORYTMÓW SYMULACYJNYCH ORAZ DZIEDZINOWYCH METOD HEURYSTYCZNYCH W ZAGADNIENIACH DYNAMICZNEGO PODEJMOWANIA DECYZJI mgr inż. Karol Walędzik k.waledzik@mini.pw.edu.pl prof. dr hab. inż. Jacek
Bardziej szczegółowoWIELOKRYTERIALNE WSPOMAGANIE DECYZJI W HARMONOGRAMOWANIU PROJEKTÓW 1
DECYZJE nr 13 czerwec 2010 WIELOKRYTERIALNE WSPOMAGANIE DECYZJI W HARMONOGRAMOWANIU PROJEKTÓW 1 Tomasz Błaszczyk* Akadema Ekonomczna w Katowcach Macej Nowak** Akadema Ekonomczna w Katowcach Streszczene:
Bardziej szczegółowoDr inż. Robert Smusz Politechnika Rzeszowska im. I. Łukasiewicza Wydział Budowy Maszyn i Lotnictwa Katedra Termodynamiki
Dr nż. Robert Smusz Poltechnka Rzeszowska m. I. Łukasewcza Wydzał Budowy Maszyn Lotnctwa Katedra Termodynamk Projekt jest współfnansowany w ramach programu polskej pomocy zagrancznej Mnsterstwa Spraw Zagrancznych
Bardziej szczegółowoSPRAWDZANIE PRAWA MALUSA
INSTYTUT ELEKTRONIKI I SYSTEMÓW STEROWANIA WYDZIAŁ ELEKTRYCZNY POLITECHNIKA CZĘSTOCHOWSKA LABORATORIUM FIZYKI ĆWICZENIE NR O- SPRAWDZANIE PRAWA MALUSA I. Zagadnena do przestudowana 1. Fala elektromagnetyczna,
Bardziej szczegółowo6. Modele decyzyjne problemu wyrównania zapotrzebowania na zasoby
Potr Jaśkowsk. Modele decyzyjne problemu wyrównana zapotrzebowana na zasoby.. Wprowadzene W każdej dzałalnośc należy dążyć do uzyskana wynku optymalnego, któremu: odpowadają najwyższe efekty dzałalnośc
Bardziej szczegółowoPropozycja modyfikacji klasycznego podejścia do analizy gospodarności
Jacek Batóg Unwersytet Szczecńsk Propozycja modyfkacj klasycznego podejśca do analzy gospodarnośc Przedsęborstwa dysponujące dentycznym zasobam czynnków produkcj oraz dzałające w dentycznych warunkach
Bardziej szczegółowoRisk-Aware Project Scheduling. SimpleUCT
Risk-Aware Project Scheduling SimpleUCT DEFINICJA ZAGADNIENIA Resource-Constrained Project Scheduling (RCPS) Risk-Aware Project Scheduling (RAPS) 1 tryb wykonywania działań Czas trwania zadań jako zmienna
Bardziej szczegółowoMETODA EFEKTYWNEGO ZARZĄDZANIA ROZDZIAŁEM ŚRODKÓW NA REDUKCJĘ EMISJI GAZÓW CIEPLARNIANYCH
Zeszyty Naukowe Wydzału Informatycznych Technk Zarządzana Wyższej Szkoły Informatyk Stosowanej Zarządzana Współczesne Problemy Zarządzana Nr /20 ETODA EFEKTYWNEGO ZARZĄDZANIA ROZDZIAŁE ŚRODKÓW NA REDUKCJĘ
Bardziej szczegółowoXXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne
XXX OLIMPIADA FIZYCZNA ETAP III Zadane dośwadczalne ZADANIE D Nazwa zadana: Maszyna analogowa. Dane są:. doda półprzewodnkowa (krzemowa) 2. opornk dekadowy (- 5 Ω ), 3. woltomerz cyfrowy, 4. źródło napęca
Bardziej szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoWielokryterialny Trójwymiarowy Problem Pakowania
Łukasz Kacprzak, Jarosław Rudy, Domnk Żelazny Instytut Informatyk, Automatyk Robotyk, Poltechnka Wrocławska Welokryteralny Trójwymarowy Problem Pakowana 1. Wstęp Problemy pakowana należą do klasy NP-trudnych
Bardziej szczegółowoRównoległy algorytm wyznaczania bloków dla cyklicznego problemu przepływowego z przezbrojeniami
Równoległy algorytm wyznaczania bloków dla cyklicznego problemu przepływowego z przezbrojeniami dr inż. Mariusz Uchroński Wrocławskie Centrum Sieciowo-Superkomputerowe Agenda Cykliczny problem przepływowy
Bardziej szczegółowoAPROKSYMACJA QUASIJEDNOSTAJNA
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 73 Electrcal Engneerng 213 Jan PURCZYŃSKI* APROKSYMACJA QUASIJEDNOSTAJNA W pracy wykorzystano metodę aproksymacj średnokwadratowej welomanowej, przy
Bardziej szczegółowoORGANIZACJA PROCESU MAGAZYNOWEGO A EFEKTYWNOŚĆ WYKORZYSTANIA ZASOBÓW PRACY
Logstyka nauka Konrad LEWCZUK Poltechnka Warszawska, Wydzał Transportu 00-662 Warszawa, ul. Koszykowa 75, kle@t.pw.edu.pl ORGANZACJA PROCESU MAGAZYNOWEGO A EFEKTYWNOŚĆ WYKORZYSTANA ZASOBÓW PRACY Streszczene:
Bardziej szczegółowoOGŁOSZENIE TARYFA DLA ZBIOROWEGO ZAOPATRZENIA W WODĘ I ZBIOROWEGO ODPROWADZANIA ŚCIEKÓW. Taryfa obowiązuje od 01.01.2014 do 31.12.
OGŁOSZENIE Zgodne z Uchwałą Nr XXXIII/421/2013 Rady Mejskej w Busku-Zdroju z dna 14 lstopada 2013 r. w sprawe zatwerdzena taryf za zborowe zaopatrzene w wodę zborowe odprowadzane śceków dla Mejskego Przedsęborstwa
Bardziej szczegółowoANALIZA HARMONOGRAMÓW POWYKONAWCZYCH W BUDOWNICTWIE
ANALIZA HARMONOGRAMÓW POWYKONAWCZYCH W BUDOWNICTWIE Wocech BOŻEJKO Zdzsław HEJDUCKI Marusz UCHROŃSKI Meczysław WODECKI Streszczene: W pracy przedstawono metodę wykorzystana harmonogramów powykonawczych
Bardziej szczegółowoProgramowanie Równoległe i Rozproszone
Programowane Równoległe Rozproszone Wykład Programowane Równoległe Rozproszone Lucjan Stapp Wydzał Matematyk Nauk Informacyjnych Poltechnka Warszawska (l.stapp@mn.pw.edu.pl) /38 PRR Wykład Chcemy rozwązać
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowoZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 5(96)/2013
ZESZYTY NAUKOWE NSTYTUTU POJAZDÓW 5(96)/2013 Hubert Sar, Potr Fundowcz 1 WYZNACZANE MASOWEGO MOMENTU BEZWŁADNOŚC WZGLĘDEM OS PODŁUŻNEJ DLA SAMOCHODU TYPU VAN NA PODSTAWE WZORÓW DOŚWADCZALNYCH 1. Wstęp
Bardziej szczegółowoASPEKT SYTUACJI STATUS QUO WE WSPOMAGANIU WIELOKRYTERIALNEGO WYBORU BAZUJĄCEGO NA TEORII GIER
Macej Wolny ASPEKT SYTUACJI STATUS QUO WE WSPOMAGANIU WIELOKRYTERIALNEGO WYBORU BAZUJĄCEGO NA TEORII GIER Wprowadzene Zagadnena welokryteralne dotyczą sytuacj, w których rozpatruje sę elementy zboru dopuszczalnych
Bardziej szczegółowoSYSTEM ZALICZEŃ ĆWICZEŃ
AMI, zma 010/011 mgr Krzysztof Rykaczewsk System zalczeń Wydzał Matematyk Informatyk UMK SYSTEM ZALICZEŃ ĆWICZEŃ z Analzy Matematycznej I, 010/011 (na podst. L.G., K.L., J.M., K.R.) Nnejszy dokument dotyczy
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowo3. ŁUK ELEKTRYCZNY PRĄDU STAŁEGO I PRZEMIENNEGO
3. ŁUK ELEKTRYCZNY PRĄDU STŁEGO I PRZEMIENNEGO 3.1. Cel zakres ćwczena Celem ćwczena jest zapoznane sę z podstawowym właścwoścam łuku elektrycznego palącego sę swobodne, w powetrzu o cśnentmosferycznym.
Bardziej szczegółowoSTEROWANIE GOTOWOŒCI W SYSTEMACH EKSPLOATACJI ŒRODKÓW TRANSPORTU
UNIWERSYTET TECHNOLOGICZNO-PRZYRODNICZY IM. JANA I JÊDRZEJA ŒNIADECKICH W BYDGOSZCZY ROZPRAWY NR 68 Klaudusz Mgawa STEROWANIE GOWOŒCI W SYSTEMACH EKSPLOATACJI ŒRODKÓW TRANSPORTU BYDGOSZCZ 23 REDAKTOR NACZELNY
Bardziej szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,
Bardziej szczegółowoMikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 13 Mkołaj Czajkowsk Wktor Budzńsk Symulacje Analogczne jak w przypadku cągłej zmennej zależnej można wykorzystać metody Monte Carlo do analzy różnego rodzaju problemów w modelach gdze zmenna
Bardziej szczegółowoSortowanie szybkie Quick Sort
Sortowane szybke Quck Sort Algorytm sortowana szybkego opera sę na strateg "dzel zwycęża" (ang. dvde and conquer), którą możemy krótko scharakteryzować w trzech punktach: 1. DZIEL - problem główny zostae
Bardziej szczegółowo1 Metody optymalizacji wielokryterialnej... 1 1.1 Ogólna charakterystyka problemu... 1 1.2 Tradycyjne metody optymalizacji wielokryterialnej...
1 Metody optymalzacj welokryteralnej.... 1 1.1 Ogólna charakterystyka problemu.... 1 1.2 Tradycyjne metody optymalzacj welokryteralnej.... 3 1.2.1 Metoda ważonych kryterów.... 3 1.2.2 Metoda optymalzacj
Bardziej szczegółowoOPTYMALNE STRATEGIE INWESTYCYJNE PODEJŚCIE FUNDAMENTALNE OPTIMAL INVESTMENT STRATEGY FUNDAMENTAL ANALYSIS
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2014 Sera: ORGANIZACJA I ZARZĄDZANIE z. 68 Nr kol. 1905 Adranna MASTALERZ-KODZIS Unwersytet Ekonomczny w Katowcach OPTYMALNE STRATEGIE INWESTYCYJNE PODEJŚCIE FUNDAMENTALNE
Bardziej szczegółowoAnaliza ryzyka jako instrument zarządzania środowiskiem
WARSZTATY 2003 z cyklu Zagrożena naturalne w górnctwe Mat. Symp. str. 461 466 Elżbeta PILECKA, Małgorzata SZCZEPAŃSKA Instytut Gospodark Surowcam Mneralnym Energą PAN, Kraków Analza ryzyka jako nstrument
Bardziej szczegółowo4. OPTYMALIZACJA WIELOKRYTERIALNA
Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna 4. OPTYMLIZCJ WIELORYTERIL Decyzje nwestycyjne mają często charakter złożony. Zdarza sę, że przy wyborze
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowoPrawdziwa ortofotomapa
Prawdzwa ortofotomapa klasyczna a prawdzwa ortofotomapa mnmalzacja przesunęć obektów wystających martwych pól na klasycznej ortofotomape wpływ rodzaju modelu na wynk ortorektyfkacj budynków stratege opracowana
Bardziej szczegółowoZestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Bardziej szczegółowoWPŁYW PARAMETRÓW DYSKRETYZACJI NA NIEPEWNOŚĆ WYNIKÓW POMIARU OBIEKTÓW OBRAZU CYFROWEGO
Walenty OWIECZKO WPŁYW PARAMETRÓW DYSKRETYZACJI A IEPEWOŚĆ WYIKÓW POMIARU OBIEKTÓW OBRAZU CYFROWEGO STRESZCZEIE W artykule przedstaono ynk analzy nepenośc pomaru ybranych cech obektu obrazu cyfroego. Wyznaczono
Bardziej szczegółowoALGORYTM DLA PROBLEMU MAKSYMALIZACJI ZDYSKONTOWANYCH PRZEPŁYWÓW PIENIĘŻNYCH PROJEKTU ROZLICZANEGO ETAPOWO
ALGORYTM DLA PROBLEMU MAKSYMALIZACJI ZDYSKONTOWANYCH PRZEPŁYWÓW PIENIĘŻNYCH PROJEKTU ROZLICZANEGO ETAPOWO Marcin KLIMEK, Piotr ŁEBKOWSKI Streszczenie: Proble haronograowania projektu z kryteriu aksyalizacji
Bardziej szczegółowoEvaluation of estimation accuracy of correlation functions with use of virtual correlator model
Jadwga LAL-JADZIAK Unwersytet Zelonogórsk Instytut etrolog Elektrycznej Elżbeta KAWECKA Unwersytet Zelonogórsk Instytut Informatyk Elektronk Ocena dokładnośc estymacj funkcj korelacyjnych z użycem modelu
Bardziej szczegółowoSterowanie procesami dyskretnymi
Politechnika Rzeszowska Wydział Elektrotechniki i Informatyki Katedra Informatyki i Automatyki Laboratorium Sterowanie procesami dyskretnymi Stanowisko 3 Algorytmy harmonogramowania zadań pakiet LiSA Rzeszów
Bardziej szczegółowoRegulamin promocji 14 wiosna
promocja_14_wosna strona 1/5 Regulamn promocj 14 wosna 1. Organzatorem promocj 14 wosna, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 lutego 2014 do 30
Bardziej szczegółowoMetody analizy obwodów
Metody analzy obwodów Metoda praw Krchhoffa, która jest podstawą dla pozostałych metod Metoda transfguracj, oparte na przekształcenach analzowanego obwodu na obwód równoważny Metoda superpozycj Metoda
Bardziej szczegółowoAnaliza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH
Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy
Bardziej szczegółowoPROCEDURY GENEROWANIA HARMONOGRAMU DLA PROBLEMU MAKSYMALIZACJI ZDYSKONTOWANYCH PRZEPŁYWÓW PIENIĘŻNYCH DLA PROJEKTU ROZLICZANEGO ETAPOWO 1
PROCEDURY GENEROWANIA HARMONOGRAMU DLA PROBLEMU MAKSYMALIZACJI ZDYSKONTOWANYCH PRZEPŁYWÓW PIENIĘŻNYCH DLA PROJEKTU ROZLICZANEGO ETAPOWO 1 Marcin KLIMEK, Piotr ŁEBKOWSKI Streszczenie: Harmonogramowanie
Bardziej szczegółowoProgramowanie genetyczne w zastosowaniu do harmonogramowania procesu magazynowego
Konrad Lewczuk 1 Wydzał Transportu Poltechnk Warszawskej Programowane genetyczne w zastosowanu do harmonogramowana procesu magazynowego 1. WPROWADZENIE Procesy magazynowe są stotną częścą procesów logstycznych
Bardziej szczegółowo8. Optymalizacja decyzji inwestycyjnych
dr nż. Zbgnew Tarapata: Optymalzacja decyzj nwestycyjnych, cz.ii 8. Optymalzacja decyzj nwestycyjnych W rozdzale 8, część I przedstawono elementarne nformacje dotyczące metod oceny decyzj nwestycyjnych.
Bardziej szczegółowoModele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.
Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można
Bardziej szczegółowoAnaliza porównawcza rozwoju wybranych banków komercyjnych w latach 2001 2009
Mara Konopka Katedra Ekonomk Organzacj Przedsęborstw Szkoła Główna Gospodarstwa Wejskego w Warszawe Analza porównawcza rozwoju wybranych banków komercyjnych w latach 2001 2009 Wstęp Polska prywatyzacja
Bardziej szczegółowoKodowanie informacji. Instytut Informatyki UWr Studia wieczorowe. Wykład nr 2: rozszerzone i dynamiczne Huffmana
Kodowane nformacj Instytut Informatyk UWr Studa weczorowe Wykład nr 2: rozszerzone dynamczne Huffmana Kod Huffmana - nemłe przypadk... Nech alfabet składa sę z 2 lter: P(a)=1/16 P(b)=15/16 Mamy H(1/16,
Bardziej szczegółowoModelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja
Modelowane oblczena technczne Metody numeryczne w modelowanu: Optymalzacja Zadane optymalzacj Optymalzacja to ulepszane lub poprawa jakośc danego rozwązana, projektu, opracowana. Celem optymalzacj jest
Bardziej szczegółowoSemestr zimowy Brak Nie
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angelskm Obowązuje od roku akademckego 2015/2016 Z-ID-702 Semnarum praca dyplomowa Semnar and Dplom Thess A. USYTUOWANIE MODUŁU
Bardziej szczegółowoI. Elementy analizy matematycznej
WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem
Bardziej szczegółowoZASTOSOWANIE ANALIZY HARMONICZNEJ DO OKREŚLENIA SIŁY I DŁUGOŚCI CYKLI GIEŁDOWYCH
Grzegorz PRZEKOTA ZESZYTY NAUKOWE WYDZIAŁU NAUK EKONOMICZNYCH ZASTOSOWANIE ANALIZY HARMONICZNEJ DO OKREŚLENIA SIŁY I DŁUGOŚCI CYKLI GIEŁDOWYCH Zarys treśc: W pracy podjęto problem dentyfkacj cykl gełdowych.
Bardziej szczegółowoRegulamin promocji zimowa piętnastka
zmowa pętnastka strona 1/5 Regulamn promocj zmowa pętnastka 1. Organzatorem promocj zmowa pętnastka, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 grudna
Bardziej szczegółowoPesymistyczna złożoność obliczeniowa algorytmu faktoryzacji Fact
Pesymstyczna złożoność oblczenowa algorytmu faktoryzacj Fact Lech Madeysk 1, Zygmunt Mazur Poltechnka Wrocławska, Wydzał Informatyk Zarządzana, Wydzałowy Zakład Informatyk Wybrzeże Wyspańskego 7, 50-370
Bardziej szczegółowo