PLAN WYKŁADU OPTYMALIZACJA GLOBALNA ALGORYTM MRÓWKOWY (ANT SYSTEM) ALGORYTM MRÓWKOWY. Algorytm mrówkowy
|
|
- Bogumił Adam Nowak
- 7 lat temu
- Przeglądów:
Transkrypt
1 PLAN WYKŁADU Algorytm mrówowy OPTYMALIZACJA GLOBALNA Wyład 8 dr inż. Agniesza Bołtuć (ANT SYSTEM) Inspiracja: Zachowanie mrówe podczas poszuiwania żywności, Zachowanie to polega na tym, że jeśli do żywności prowadzą dwie drogi to po pewnym czasie więszość mrówe będzie orzystać z rótszej. Zasada działania w naturze: Mrówi początowo wybierają trasę losowo, Wracając do mrowisa zostawiają ślad feromonowy, Feromony stopniowo parują, Na rótszej trasie feromon odparowuje wolniej, a więc olejne mrówi chętniej wybierają tą trasę, Soro wybierana jest ta trasa to następuje wzmocnienie śladu feromonowego (atracyjna trasa staje się bardziej atracyjna), W miarę upływu czasu mrówi opracowują zbiorowo najrótszą ścieżę wiodącą je do pożywienia.
2 Zastosowania: Najczęściej wyorzystywane do algorytmów poszuiwania najlepszych ścieże w grafie, Bardzo często stosowany do rozwiązywania zadania omiwojażera. Tworzenie populacji mrówe, Pojedyncza mrówa generuje swoją ścieżę niezależnie od innych, Każda mrówa ma losowo wybrany począte trasy, Startując z niego mrówa porusza się po grafie szuając najrótszej drogi, Mrówa jest wyposażona w pamięć, aby nie wracać do już odwiedzonych wierzchołów (tzw. lista tabu), pozwala później na atualizację feromonu. Rodzaje algorytmu mrówowego: Gęstościowy mrówa zostawia stałą ilość feromonu podczas budowania drogi (dochodząc do ażdego olejnego miasta), Ilościowy mrówa zostawia ilość feromonu odwrotnie proporcjonalną do długości rawędzi wybranej podczas budowania drogi, Cyliczny mrówi zostawiają feromon dopiero gdy zbudują całą drogę, znacznie wydajniejszy algorytm niż pozostałe wymienione, Przy wyborze drogi mrówa ieruje się: Pamięcią nie odwiedza już odwiedzonych, Ilością feromonu na danej rawędzi, Długością trasy. 2
3 Przyładowa reprezentacja danych: i d f j Prawdopodobieństwo wybrania drogi przez mrówę z i do j w iteracji t: p ( t) l N i f ( t) ( f ( t) il d ( t) d ( t) - parametr oreślający wpływ pozostawionego feromonu na prawdopodobieństwo, il ) d odległość pomiędzy i,j f poziom feromonu - parametr oreślający wpływ odległości na prawdopodobieństwo, N - zbiór miast tórych mrówa nie odwiedziła a do tórych prowadzi droga i z miasta i, Wraz ze wzrostem ilości feromonu na rawędzi i,j prawdopodobieństwo wybrania feromonu rośnie, zaś spada wraz ze wzrostem długości rawędzi, Sterowanie zasięgiem odbywa się za pomocą parametrów i, Po ustaleniu prawdopodobieństwa dla wszystich rawędzi wychodzących z i-tego miasta następuje losowanie w celu wybrania rawędzi według tórej poruszać się będzie mrówa (najczęściej odbywa się za pomocą oła ruleti), ALGORYTM KOLONII MRÓWKOWYCH (ANT COLONY SYSTEM) Odmiana systemu mrówowego Różnica leży w sposobie obliczania prawdopodobieństwa wybrania rawędzi, Dla -tej mrówi znajdującej się w i-tym mieście ustalone jest na poziomie stałej q 0 prawdopodobieństwo przejścia do tego miasta l, dla tórego wartość iloczynu f( t) d jest najwyższa, ( t) Pozostała część prawdopodobieństwa (-q 0 ) jest rozdysponowana wśród pozostałych rawędzi wychodzących z l-tego miasta zgodnie ze schematem podziału ja w systemach mrówowych, 3
4 ALGORYTM KOLONII MRÓWKOWYCH Taie sformułowanie wyliczania prawdopodobieństwa pozwala ontrolować prawdopodobieństwo wyboru tego połączenia, tóre jest wsazywane przez najwyższy poziom feromonu oraz najrótszą rawędź, Pozwala na obronę przed dominacją jednej rawędzi oraz przypadowością wyboru dalszej ścieżi w przypadu równej wartości prawdopodobieństwa dla wszystich możliwych rawędzi. Atualizacja poziomu feromonu: uwzględnia zarówno odparowanie ja i złożenie feromonu przez mrówę n f ( t ) odparowywanie ( ) f ( t) - współczynni odparowywania [0,] - liczba mrówe n L sładanie L K - całowita długość trasy przebytej przez mrówę Wartości początowe: - MODYFIKACJE Dobre rezultaty dla zadań nie więszych niż 75 miast, dlatego wprowadzano różne modyfiacje, f c najlepiej bardzo mała wartość 0.00 Modyfiacje:, 5, 0.5 dobrane esperymentalnie przez Dorigo elityzm, system olonii mrówowych, system mrówowy MAX-MIN, system mrówowy z rangami, 4
5 ELITYZM Elityzm modyfiacja reguł pozostawiania śladu feromonowego, elita zbiór o rozmiarze e, zawiera najlepsze ścieżi znalezione w atualnej iteracji, dodatowy mechanizm przechowywania najrótszej ścieżi znalezionej w ramach całego procesu optymalizacji ( ), - MODYFIKACJE atualizując ślad feromonowy wyróżnia się rawędzie należące do ścieżi, pod waruniem, że wystąpią w dowolnej ścieżce należącej do elity, do rawędzi należących do dodaje się dodatowy feromon w ilości eq / L, gdzie '' Q to waga wyróżnienia (z esperymentu), zaś '' to całowita długość ścieżi. L SYSTEM KOLONII MRÓWKOWYCH Dwa rodzaje atualizacji feromonu przez mrówę: globalny i loalny, Atualizacja globalna: ta ja w metodzie z poziomem cylicznym w systemie mrówowym, ale feromon sładany jest wyłącznie przez jedną mrówę tą tóra w danej iteracji znalazła najlepszą ścieżę, Atualizacja loalna: Każda mrówa po przejściu rawędzi pozostawia na niej ślad ' ( t) ( ) ( t) 0 ( t ) / L SYSTEM KOLONII MRÓWKOWYCH mechanizm atualizacji ro z roiem znany z systemów mrówowych, jedna inaczej liczy się ilość pozostawionego feromonu, Sterujemy parametrem z przedziału [0,], Intencją dodania loalnej atualizacji śladu feromonowego w taiej postaci jest to aby już odwiedzone rawędzie nie stawały się zbyt interesujące dla ażdej następnej mrówi, parametr oraz stałą dobiera się w drodze esperymentu indywidualnie 0 dla ażdego zadania, 5
6 SYSTEM MRÓWKOWY MAX-MIN Tylo jedna mrówa pozostawia ślad, ta tóra reprezentuje najlepsze globalne lub loalne (w danej iteracji) rozwiązanie, Wprowadzono dodatowo ( w celu zapobiegania stagnacji w procesie szuania) ograniczenia na ilość feromonu na rawędzi, min ; max Przy sładaniu feromonu masymalnie przyjmowana jest górna granica, przy odparowywaniu dolna, Ponadto wartość początowa feromonu na rawędziach jest ustalana na masymalną dopuszczalną wartość co powoduje wzmocnienie cech esploracyjnych algorytmu na początu jego działania, SYSTEM MRÓWKOWY Z RANGAMI Ślad feromonowy pozostawia tylo mrówa tóra wygenerowała globalnie najlepsze rozwiązanie oraz pewna liczba mrówe reprezentujących najlepsze rozwiązania w danej iteracji, W ażdym rou mrówi są sortowane zgodnie z długością ścieżi i jedynie w najlepszych pozostawia ślad, tóry jeszcze jest mnożony przez współczynni (w-), gdzie to pozycja mrówi na liście, WYKŁAD PRZYGOTOWANO NA PODSTAWIE K. Trojanowsi, Metaheurystyi pratyczne, WIT, 2005, K. Grygiel, Metaheurystyi, notati do wyładu, UW, 6
Algorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation)
Algorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation) Jest to technika probabilistyczna rozwiązywania problemów obliczeniowych, które mogą zostać sprowadzone do problemu znalezienie
Bardziej szczegółowoAlgorytmy mrówkowe. P. Oleksyk. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne
y mrówkowe P. Oleksyk Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne 14 kwietnia 2015 1 Geneza algorytmu - biologia 2 3 4 5 6 7 8 Geneza
Bardziej szczegółowoSystemy mrówkowe. Opracowali: Dawid Strucker, Konrad Baranowski
Systemy mrówkowe Opracowali: Dawid Strucker, Konrad Baranowski Wprowadzenie Algorytmy mrówkowe oparte są o zasadę inteligencji roju (ang. swarm intelligence). Służą głównie do znajdowania najkrótszej drogi
Bardziej szczegółowoAlgorytmy metaheurystyczne Wykład 6. Piotr Syga
Algorytmy metaheurystyczne Wykład 6 Piotr Syga 10.04.2017 Wprowadzenie Inspiracje Wprowadzenie ACS idea 1 Zaczynamy z pustym rozwiązaniem początkowym 2 Dzielimy problem na komponenty (przedmiot do zabrania,
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Metaheurystyki oparte na algorytmach lokalnego przeszukiwania Maciej Hapke maciej.hapke at put.poznan.pl GRASP Greedy Randomized Adaptive Search Procedure T.A. Feo, M.G.C. Resende,
Bardziej szczegółowoProblem komiwojażera ACO. Zagadnienie optymalizacyjne, polegające na znalezieniu minimalnego cyklu Hamiltona w pełnym grafie ważonym.
Problem komiwojażera ACO Zagadnienie optymalizacyjne, polegające na znalezieniu minimalnego cyklu Hamiltona w pełnym grafie ważonym. -Wikipedia Problem do rozwiązania zazwyczaj jest przedstawiany jako
Bardziej szczegółowoOptymalizacja harmonogramów budowlanych - problem szeregowania zadań
Mieczysław POŁOŃSKI Wydział Budownictwa i Inżynierii Środowisa, Szoła Główna Gospodarstwa Wiejsiego, Warszawa, ul. Nowoursynowsa 159 e-mail: mieczyslaw_polonsi@sggw.pl Założenia Optymalizacja harmonogramów
Bardziej szczegółowoAlgorytmy Mrówkowe. Daniel Błaszkiewicz. 11 maja 2011. Instytut Informatyki Uniwersytetu Wrocławskiego
Algorytmy Mrówkowe Instytut Informatyki Uniwersytetu Wrocławskiego 11 maja 2011 Opis Mrówki w naturze Algorytmy to stosunkowo nowy gatunek algorytmów optymalizacyjnych stworzony przez Marco Dorigo w 1992
Bardziej szczegółowoAlgorytmy mrówkowe (ang. Ant Colony Optimization)
Algorytmy mrówkowe (ang. Ant Colony Optimization) 1. Wprowadzenie do ACO a) mrówki naturalne b) mrówki sztuczne c) literatura (kilka pozycji) 2. ACO i TSP 1. Wprowadzenie do ACO a) mrówki naturalne ślepe,
Bardziej szczegółowoObliczenia inspirowane Naturą
Obliczenia inspirowane Naturą Wykład 10 - Mrówki w labiryntach Jarosław Miszczak IITiS PAN Gliwice 05/05/2016 1 / 48 Na poprzednim wykładzie 1... 2... 3... 2 / 48 1 Motywacja biologiczna Podstawowe mechanizmy
Bardziej szczegółowoOptymalizacja harmonogramów budowlanych - problem szeregowania zadań
Mieczysław OŁOŃSI Wydział Budownictwa i Inżynierii Środowisa, Szoła Główna Gospodarstwa Wiejsiego, Warszawa, ul. Nowoursynowsa 159 e-mail: mieczyslaw_polonsi@sggw.pl Założenia Optymalizacja harmonogramów
Bardziej szczegółowoProblem Komiwojażera - algorytmy metaheurystyczne
Problem Komiwojażera - algorytmy metaheurystyczne algorytm mrówkowy algorytm genetyczny by Bartosz Tomeczko. All rights reserved. 2010. TSP dlaczego metaheurystyki i heurystyki? TSP Travelling Salesman
Bardziej szczegółowoMatematyka Dyskretna - zagadnienia
Matematya Dysretna - zagadnienia dr hab. Szymon Żebersi opracował: Miołaj Pietre Semestr letni 206/207 - strona internetowa Zasada inducji matematycznej. Zbiory sończone, podstawowe tożsamości 2. Zasada
Bardziej szczegółowoAlgorytmy mrówkowe. H. Bednarz. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne
Algorytmy mrówkowe H. Bednarz Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne 13 kwietnia 2015 1 2 3 4 Przestrzeń poszukiwań Ograniczenia
Bardziej szczegółowoWykład 4. Droga i cykl Eulera i Hamiltona
Wykład 4. i Hamiltona Wykład 4. i Hamiltona 1 / 35 Grafy Eulera Niech G będzie grafem spójnym. Definicja Jeżeli w grafie G istnieje zamknięta droga prosta zawierająca wszystkie krawędzie grafu, to taką
Bardziej szczegółowoWYKORZYSTANIE ALGORYTMÓW GENETYCZNYCH I MRÓWKOWYCH W PROBLEMACH TRANSPORTOWYCH
Inżynieria Rolnicza 7(105)/2008 WYKORZYSTANIE ALGORYTMÓW GENETYCZNYCH I MRÓWKOWYCH W PROBLEMACH TRANSPORTOWYCH Justyna Zduńczuk, Wojciech Przystupa Katedra Zastosowań Matematyki, Uniwersytet Przyrodniczy
Bardziej szczegółowoColloquium 3, Grupa A
Colloquium 3, Grupa A 1. Z zasobów obliczeniowych pewnego serwera orzysta dwóch użytowniów. Każdy z nich wysyła do serwera zawsze trzy programy naraz. Użytowni czea, aż serwer wyona obliczenia dotyczące
Bardziej szczegółowoMetody optymalizacji nieliniowej (metody programowania nieliniowego) Ewa Niewiadomska-Szynkiewicz Instytut Automatyki i Informatyki Stosowanej
Metody optymalizacji nieliniowej metody programowania nieliniowego Ewa Niewiadomsa-Szyniewicz Instytut Automatyi i Inormatyi Stosowanej Ewa Niewiadomsa-Szyniewicz ens@ia.pw.edu.pl Instytut Automatyi i
Bardziej szczegółowoMatematyka dyskretna. Wykład 2: Kombinatoryka. Gniewomir Sarbicki
Matematya dysretna Wyład 2: Kombinatorya Gniewomir Sarbici Kombinatorya Definicja Kombinatorya zajmuje się oreślaniem mocy zbiorów sończonych, w szczególności mocy zbiorów odwzorowań jednego zbioru w drugi
Bardziej szczegółowoAlgorytmy mrówkowe w dynamicznych problemach transportowych
y w dynamicznych problemach transportowych prof. dr hab Jacek Mandziuk MiNI, PW 3 czerwca 2013 Cel pracy Zbadanie zachowania algorytmu go zwykłego oraz z zaimplementowanymi optymalizacjami dla problemów
Bardziej szczegółowoAlgorytmy mrówkowe. Plan. » Algorytm mrówkowy» Warianty» CVRP» Demo» Środowisko dynamiczne» Pomysł modyfikacji» Testowanie
Algorytmy mrówkowe w środowiskach dynamicznych Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 1/51 Plan» Algorytm mrówkowy» Warianty» CVRP» Demo» Środowisko dynamiczne» Pomysł modyfikacji»
Bardziej szczegółowoAlgorytmy stadne w optymalizacji problemów przydzia³u przy kwadratowym wskaÿniku jakoœci (QAP)
AUTOMATYKA 2011 Tom 15 Zeszyt 2 Bogus³aw Filipowicz*, Joanna Kwiecieñ* Algorytmy stadne w optymalizacji problemów przydzia³u przy wadratowym wsaÿniu jaoœci (QAP) 1. Wprowadzenie W ci¹gu ostatnih ilunastu
Bardziej szczegółowoRÓWNOLEGŁY ALGORYTM PRZESZUKIWANIA Z ZABRONIENIAMI DLA CYKLICZNEGO PROBLEMU GNIAZDOWEGO
RÓWNOLEGŁY ALGORYTM PRZESZUKIWANIA Z ZABRONIENIAMI DLA CYKLICZNEGO PROBLEMU GNIAZDOWEGO Wojciech BOŻEJKO, Andrzej GNATOWSKI, Mieczysław WODECKI Streszczenie: W pracy rozpatrujemy cyliczny problemem gniazdowy,
Bardziej szczegółowo13. 13. BELKI CIĄGŁE STATYCZNIE NIEWYZNACZALNE
Część 3. BELKI CIĄGŁE STATYCZNIE NIEWYZNACZALNE 3. 3. BELKI CIĄGŁE STATYCZNIE NIEWYZNACZALNE 3.. Metoda trzech momentów Rozwiązanie wieloprzęsłowych bele statycznie niewyznaczalnych można ułatwić w znaczącym
Bardziej szczegółowoMODYFIKACJA KOSZTOWA ALGORYTMU JOHNSONA DO SZEREGOWANIA ZADAŃ BUDOWLANYCH
MODYFICJ OSZTOW LGORYTMU JOHNSON DO SZEREGOWNI ZDŃ UDOWLNYCH Michał RZEMIŃSI, Paweł NOW a a Wydział Inżynierii Lądowej, Załad Inżynierii Producji i Zarządzania w udownictwie, ul. rmii Ludowej 6, -67 Warszawa
Bardziej szczegółowoWyznaczenie prędkości pojazdu na podstawie długości śladów hamowania pozostawionych na drodze
Podstawy analizy wypadów drogowych Instrucja do ćwiczenia 1 Wyznaczenie prędości pojazdu na podstawie długości śladów hamowania pozostawionych na drodze Spis treści 1. CEL ĆWICZENIA... 3. WPROWADZENIE...
Bardziej szczegółowoDroga i cykl Eulera Przykłady zastosowania drogi i cyku Eulera Droga i cykl Hamiltona. Wykład 4. Droga i cykl Eulera i Hamiltona
Wykład 4. Droga i cykl Eulera i Hamiltona 1 / 92 Grafy Eulera Droga i cykl Eulera Niech G będzie grafem spójnym. Definicja Jeżeli w grafie G istnieje zamknięta droga prosta zawierająca wszystkie krawędzie
Bardziej szczegółowoWykorzystanie algorytmów mrówkowych w dynamicznym problem
Wykorzystanie algorytmów mrówkowych w dynamicznym problemie marszrutyzacji Promotor: dr inż. Aneta Poniszewska-Marańda Współpromotor: mgr inż. Łukasz Chomątek 14 czerwca 2013 Przedmiot i cele pracy dyplomowej
Bardziej szczegółowoObliczenia Naturalne - Algorytmy Mrówkowe
Plan Literatura Obliczenia Naturalne - Algorytmy Mrówkowe Paweł Paduch Politechnika Świętokrzyska 8 maja 2014 Paweł Paduch Obliczenia Naturalne - Algorytmy Mrówkowe 1 z 43 Plan wykładu Plan Literatura
Bardziej szczegółowoCYKLICZNY PROBLEM PRZEPŁYWOWY Z PRZEZBROJENIAMI MASZYN
CYKLICZNY PROBLEM PRZEPŁYWOWY Z PRZEZBROJENIAMI MASZYN Wojciech BOŻEJKO, Łuasz KACPRZAK, Mieczysław WODECKI Streszczenie: W pracy zajmujemy się cylicznym problemem przepływowym z przezbrojeniami maszyn.
Bardziej szczegółowoAlgorytmy Mrówkowe. Daniel Błaszkiewicz 11 maja 2011
Algorytmy Mrówkowe Daniel Błaszkiewicz 11 maja 2011 1 Wprowadzenie Popularnym ostatnimi laty podejściem do tworzenia nowych klas algorytmów do szukania rozwiązań problemów nie mających algorytmów rozwiązujących
Bardziej szczegółowowtedy i tylko wtedy, gdy rozwiązanie i jest nie gorsze od j względem k-tego kryterium. 2) Macierz części wspólnej Utwórz macierz
Temat: Programowanie wieloryterialne. Ujęcie dysretne.. Problem programowania wieloryterialnego. Z programowaniem wieloryterialnym mamy do czynienia, gdy w problemie decyzyjnym występuje więcej niż jedno
Bardziej szczegółowoOPTYMALIZACJA PRZEPUSTOWOŚCI SIECI KOMPUTEROWYCH ZA POMOCĄ ALGORYTMÓW GENETYCZNYCH
OPTYMALIZACJA PRZEPUSTOWOŚCI SIECI KOMPUTEROWYCH ZA POMOCĄ ALGORYTMÓW GENETYCZNYCH Andrzej SZYMONIK, Krzysztof PYTEL Streszczenie: W złożonych sieciach omputerowych istnieje problem doboru przepustowości
Bardziej szczegółowoSCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO
SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania
Bardziej szczegółowoTechnika optymalizacji
Algorytmy bezgraientowe Algorytmy optymalizacji loalnej c. Nieliniowe zaanie optymalizacji statycznej bez ograniczeń - nieliniowe algorytmy optymalizacji loalnej c. r inŝ. Ewa Szlachcic Wyział Eletronii
Bardziej szczegółowoMETODA PROJEKTOWANIA REJONU ZMIANY KIERUNKU TRASY KOLEJOWEJ
Problemy Kolejnictwa Zeszyt 5 97 Prof. dr hab. inż. Władysław Koc Politechnia Gdańsa METODA PROJEKTOWANIA REJONU ZMIANY KIERUNKU TRASY KOLEJOWEJ SPIS TREŚCI. Wprowadzenie. Ogólna ocena sytuacji geometrycznej
Bardziej szczegółowoWykres linii ciśnień i linii energii (wykres Ancony)
Wyres linii ciśnień i linii energii (wyres Ancony) W wyorzystywanej przez nas do rozwiązywania problemów inżyniersich postaci równania Bernoulliego występuje wysoość prędości (= /g), wysoość ciśnienia
Bardziej szczegółowoALHE. prof. Jarosław Arabas semestr 15Z
ALHE prof. Jarosław Arabas semestr 15Z Wykład 5 Błądzenie przypadkowe, Algorytm wspinaczkowy, Przeszukiwanie ze zmiennym sąsiedztwem, Tabu, Symulowane wyżarzanie 1. Błądzenie przypadkowe: Pierwszym krokiem
Bardziej szczegółowoWSPOMAGANIE DECYZJI W OBSZARZE WYZNACZANIA TRAS POJAZDÓW
DECYZJE nr 13 czerwiec 2010 WSPOMAGANIE DECYZJI W OBSZARZE WYZNACZANIA TRAS POJAZDÓW Paweł Hanczar* Uniwersytet Eonomiczny we Wrocławiu Streszczenie: Problem wyznaczania tras pojazdów jest znany już od
Bardziej szczegółowoWybrane podstawowe rodzaje algorytmów
Wybrane podstawowe rodzaje algorytmów Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii informatycznych
Bardziej szczegółowoPodstawy rachunku prawdopodobieństwa (przypomnienie)
. Zdarzenia odstawy rachunu prawdopodobieństwa (przypomnienie). rawdopodobieństwo 3. Zmienne losowe 4. rzyład rozładu zmiennej losowej. Zdarzenia (events( events) Zdarzenia elementarne Ω - zbiór zdarzeń
Bardziej szczegółowoObliczenia z wykorzystaniem sztucznej inteligencji
Obliczenia z wykorzystaniem sztucznej inteligencji wykład III Systemy mrówkowe Joanna Kołodziejczyk marzec 2016 Joanna Kołodziejczyk Obliczenia z wykorzystaniem sztucznej inteligencji marzec 2016 1 / 38
Bardziej szczegółowoAlgorytm genetyczny (genetic algorithm)-
Optymalizacja W praktyce inżynierskiej często zachodzi potrzeba znalezienia parametrów, dla których system/urządzenie będzie działać w sposób optymalny. Klasyczne podejście do optymalizacji: sformułowanie
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
ZTUCZNA INTELIGENCJA WYKŁAD 6. ALGORYTMY GENETYCZNE - CHEMATY, METODY ELEKCJI Częstochowa 204 Dr hab. inż. Grzegorz Dude Wydział Eletryczny Politechnia Częstochowsa CHEMATY chemat zbór chromosomów o wspólnych
Bardziej szczegółowoLABORATORIUM 4: Wpływ operatorów mutacji na skuteczność poszukiwań AE
Instytut Mechanii i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnia Śląsa www.imio.polsl.pl OBLICZENIA EWOLUCYJNE LABORATORIUM 4: Wpływ operatorów mutacji na suteczność poszuiwań
Bardziej szczegółowojest scharakteryzowane przez: wektor maksymalnych żądań (ang. claims), T oznaczający maksymalne żądanie zasobowe zadania P j
Systemy operacyjne Zaleszczenie Zaleszczenie Rozważmy system sładający się z n procesów (zadań) P 1,P 2,...,P n współdzielący s zasobów nieprzywłaszczalnych tzn. zasobów, tórych zwolnienie może nastąpić
Bardziej szczegółowoKONCEPCJA SYSTEMU BONIFIKAT DLA ODBIORCÓW ZA NIEDOTRZYMANIE PRZEZ DOSTAWCĘ WYMAGANEGO POZIOMU JAKOŚCI NAPIĘCIA
KONCEPCJA SYSTEMU BONIFIKAT DLA ODBIORCÓW ZA NIEDOTRZYMANIE PRZEZ DOSTAWCĘ WYMAGANEGO POZIOMU JAKOŚCI NAPIĘCIA prof. dr hab. inż. Zbigniew Hanzela / Aademia Górniczo-Hutnicza dr inż. Grzegorz Błajszcza
Bardziej szczegółowoZastosowanie informatyki w elektrotechnice
Zastosowanie informatyi w eletrotechnice Politechnia Białostoca - Wydział Eletryczny Eletrotechnia, semestr V, studia niestacjonarne Ro aademici 2006/2007 Wyład nr 4 (15.12.2006 Zastosowanie informatyi
Bardziej szczegółowoIndukcja matematyczna
Inducja matematyczna Inducja jest taą metodą rozumowania, za pomocą tórej od tezy szczegółowej dochodzimy do tezy ogólnej. Przyład 1 (o zanurzaniu ciał w wodzie) 1. Kawałe żelaza, tóry zanurzyłem w wodzie,
Bardziej szczegółowoZadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik
Zadanie transportowe i problem komiwojażera Tadeusz Trzaskalik 3.. Wprowadzenie Słowa kluczowe Zbilansowane zadanie transportowe Rozwiązanie początkowe Metoda minimalnego elementu macierzy kosztów Metoda
Bardziej szczegółowoObliczenia z wykorzystaniem sztucznej inteligencji
Obliczenia z wykorzystaniem sztucznej inteligencji wykład III Systemy mrówkowe Joanna Kołodziejczyk 31 marzec 2014 Plan wykładu 1 Inspiracje biologiczne Informacje ogólne Naturalna optymalizacja 2 Artificial
Bardziej szczegółowoWYKŁAD 5 METODY OPTYMALIZACJI NIELINIOWEJ BEZ OGRANICZEŃ
WYKŁAD 5 METODY OPTYMALIZACJI NIELINIOWEJ BEZ OGRANICZEŃ Wstęp. Za wyjątie nielicznych funcji, najczęściej w postaci wieloianów, dla tórych ożna znaleźć iniu na drodze analitycznej, pozostała więszość
Bardziej szczegółowoAlgorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009
Algorytmy genetyczne Paweł Cieśla 8 stycznia 2009 Genetyka - nauka o dziedziczeniu cech pomiędzy pokoleniami. Geny są czynnikami, które decydują o wyglądzie, zachowaniu, rozmnażaniu każdego żywego organizmu.
Bardziej szczegółowoAlgorytmy mrówkowe wprowadzenie.
Algorytmy mrówkowe wprowadzenie. Jakub Zajkowski 1 Wstęp i rys historyczny Algorytmy mrówkowe to grupa procesów służących przede wszystkim do poszukiwania dróg w grafie. Z formalnego punktu widzenia algorytmy
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Algorytm kolonii mrówek Idea Smuga feromonowa 1 Sztuczne mrówki w TSP Sztuczna mrówka agent, który porusza się z miasta do miasta Mrówki preferują miasta połączone łukami z dużą
Bardziej szczegółowoWykład 21: Studnie i bariery cz.1.
Wyład : Studnie i bariery cz.. Dr inż. Zbigniew Szlarsi Katedra Eletronii, paw. C-, po.3 szla@agh.edu.pl http://layer.uci.agh.edu.pl/z.szlarsi/ 3.6.8 Wydział Informatyi, Eletronii i Równanie Schrödingera
Bardziej szczegółowoPodejście memetyczne do problemu DCVRP - wstępne wyniki. Adam Żychowski
Podejście memetyczne do problemu DCVRP - wstępne wyniki Adam Żychowski Na podstawie prac X. S. Chen, L. Feng, Y. S. Ong A Self-Adaptive Memeplexes Robust Search Scheme for solving Stochastic Demands Vehicle
Bardziej szczegółowoOptymalizacja. Przeszukiwanie tabu
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Maciej Hapke Naturalny sposób powstania algorytmu Algorytm optymalizacji lokalnej Niezdolność wyjścia z lokalnych
Bardziej szczegółowoOptymalizacja. Wybrane algorytmy
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Andrzej Jaszkiewicz Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem
Bardziej szczegółowoL.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 1 ZADANIA - ZESTAW 1. . (odp. a)
ZADANIA - ZESTAW 1 Zadanie 11 Rzucamy trzy razy monetą A i - zdarzenie polegające na tym, że otrzymamy orła w i - tym rzucie Oreślić zbiór zdarzeń elementarnych Wypisać zdarzenia elementarne sprzyjające
Bardziej szczegółowoProgramowanie Współbieżne. Algorytmy
Programowanie Współbieżne Algorytmy Sortowanie przez scalanie (mergesort) Algorytm : 1. JEŚLI jesteś rootem TO: pobierz/wczytaj tablice do posortowania JEŚLI_NIE to pobierz tablicę do posortowania od rodzica
Bardziej szczegółowoAlgorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba
Algorytmy ewolucyjne - algorytmy genetyczne I. Karcz-Dulęba Algorytmy klasyczne a algorytmy ewolucyjne Przeszukiwanie przestrzeni przez jeden punkt bazowy Przeszukiwanie przestrzeni przez zbiór punktów
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 11 Łańcuchy Markova
Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu
Bardziej szczegółowoStrategie Zespołowe (SZ) dr inż. Tomasz Białaszewski
Strategie Zespołowe (SZ) dr inż. Tomasz Białaszewski Tematyka wykładu Algorytmy Inteligencji Roju (Swarm Intelligence, SI) Optymalizacja kolonią mrówek (Ant Colony Optimization, ACO) Optymalizacja rojem
Bardziej szczegółowoOSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) Algorytmy i Struktury Danych PIŁA
OSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) 16.01.2003 Algorytmy i Struktury Danych PIŁA ALGORYTMY ZACHŁANNE czas [ms] Porównanie Algorytmów Rozwiązyjących problem TSP 100 000 000 000,000 10 000 000
Bardziej szczegółowoPROCENTY, PROPORCJE, WYRAŻENIA POTEGOWE
PROCENTY, PROPORCJE, WYRAŻENIA POTEGOWE ORAZ ŚREDNIE 1. Procenty i proporcje DEFINICJA 1. Jeden procent (1%) pewnej liczby a to setna część tej liczby, tórą oznacza się: 1% a, przy czym 1% a = 1 p a, zaś
Bardziej szczegółowoDziałanie algorytmu oparte jest na minimalizacji funkcji celu jako suma funkcji kosztu ( ) oraz funkcji heurystycznej ( ).
Algorytm A* Opracowanie: Joanna Raczyńska 1.Wstęp Algorytm A* jest heurystycznym algorytmem służącym do znajdowania najkrótszej ścieżki w grafie. Jest to algorytm zupełny i optymalny, co oznacza, że zawsze
Bardziej szczegółowoP k k (n k) = k {O O O} = ; {O O R} =
Definicja.5 (Kombinacje bez powtórzeń). Każdy -elementowy podzbiór zbioru A wybrany (w dowolnej olejności) bez zwracania nazywamy ombinacją bez powtórzeń. Twierdzenie.5 (Kombinacje bez powtórzeń). Liczba
Bardziej szczegółowoQ strumień objętości, A przekrój całkowity, Przedstawiona zależność, zwana prawem filtracji, została podana przez Darcy ego w postaci równania:
Filtracja to zjawiso przepływu płynu przez ośrode porowaty (np. wody przez grunt). W więszości przypadów przepływ odbywa się ruchem laminarnym, wyjątiem może być przepływ przez połady grubego żwiru lub
Bardziej szczegółowoALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ
ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ Zalety: nie wprowadzają żadnych ograniczeń na sformułowanie problemu optymalizacyjnego. Funkcja celu może być wielowartościowa i nieciągła, obszar
Bardziej szczegółowoAnaliza B. Paweł Głowacki
Analiza B Paweł Głowaci Pojęcie liczby rzeczywistej uważać będziemy za intuicyjnie oczywiste. Tym niemniej celowe wydaje się przypomnienie i ugruntowanie nietórych fundamentalnych własności liczb rzeczywistych.
Bardziej szczegółowoGrupowanie sekwencji czasowych
BIULETYN INSTYTUTU AUTOMATYKI I ROBOTYKI NR 3, 006 Grupowanie sewencji czasowych Tomasz PAŁYS Załad Automatyi, Instytut Teleinformatyi i Automatyi WAT, ul. Kalisiego, 00-908 Warszawa STRESZCZENIE: W artyule
Bardziej szczegółowoWykład 9. Fizyka 1 (Informatyka - EEIiA 2006/07)
Wyład 9 Fizya 1 (Informatya - EEIiA 006/07) 9 11 006 c Mariusz Krasińsi 006 Spis treści 1 Ruch drgający. Dlaczego właśnie harmoniczny? 1 Drgania harmoniczne proste 1.1 Zależność między wychyleniem, prędością
Bardziej szczegółowoKody Huffmana oraz entropia przestrzeni produktowej. Zuzanna Kalicińska. 1 maja 2004
Kody uffmana oraz entroia rzestrzeni rodutowej Zuzanna Kalicińsa maja 4 Otymalny od bezrefisowy Definicja. Kod nad alfabetem { 0, }, w tórym rerezentacja żadnego znau nie jest refisem rerezentacji innego
Bardziej szczegółowoWyznaczenie stałych atomowych metodą spektroskopii emisyjnej.
Załad Chemii nalitycznej i Metalurii Chemicznej Kurs: "Spetrosopia " Ćwiczenie: Wyznaczenie stałych atomowych metodą spetrosopii emisyjnej. Celem ćwiczenia jest wyznaczenie prawdopodobieństw przejść dla
Bardziej szczegółowoĆwiczenie 4 Badanie wpływu asymetrii obciążenia na pracę sieci
Ćwiczenie 4 - Badanie wpływu asymetrii obciążenia na pracę sieci Strona 1/13 Ćwiczenie 4 Badanie wpływu asymetrii obciążenia na pracę sieci Spis treści 1.Cel ćwiczenia...2 2.Wstęp...2 2.1.Wprowadzenie
Bardziej szczegółowoKodowanie informacji w systemach cyfrowych
Wprowadzenie do inżynierii przetwarzania informacji. Ćwiczenie 2. Kodowanie informacji w systemach cyfrowych Cel dydatyczny: Nabycie umiejętności posługiwania się różnymi odami wyorzystywanymi w systemach
Bardziej szczegółowoAlgorytmy metaheurystyczne podsumowanie
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Andrzej Jaszkiewicz Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem
Bardziej szczegółowoAlgorytmy genetyczne
Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą
Bardziej szczegółowodr Bartłomiej Rokicki Katedra Makroekonomii i Teorii Handlu Zagranicznego Wydział Nauk Ekonomicznych UW
dr Bartłomiej Roici atedra Maroeonomii i Teorii Handlu Zagranicznego Wydział Nau Eonomicznych UW dr Bartłomiej Roici Maroeonomia II Model Solowa z postępem technologicznym by do modelu Solowa włączyć postęp
Bardziej szczegółowoTechniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I
Techniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje:
Bardziej szczegółowoUwaga 1.1 Jeśli R jest relacją w zbiorze X X, to mówimy, że R jest relacją w zbiorze X. Rozważmy relację R X X. Relację R nazywamy zwrotną, gdy:
Matematya dysretna - wyład 1. Relacje Definicja 1.1 Relacją dwuargumentową nazywamy podzbiór produtu artezjańsiego X Y, tórego elementami są pary uporządowane (x, y), taie, że x X i y Y. Uwaga 1.1 Jeśli
Bardziej szczegółowoMateriały do wykładów na temat Obliczanie sił przekrojowych i momentów przekrojowych. dla prętów zginanych.
ateriały do wyładów na temat Obliczanie sił przerojowych i momentów przerojowych dla prętów zginanych Wydr eletroniczny. slajdów na. stronach przeznaczony do celów dydatycznych dla stdentów II ro stdiów
Bardziej szczegółowoZadania laboratoryjne i projektowe - wersja β
Zadania laboratoryjne i projektowe - wersja β 1 Laboratorium Dwa problemy do wyboru (jeden do realizacji). 1. Water Jug Problem, 2. Wieże Hanoi. Water Jug Problem Ograniczenia dla każdej z wersji: pojemniki
Bardziej szczegółowoMatematyka Dyskretna. Andrzej Szepietowski. 17 marca 2003 roku
Matematya Dysretna Andrzej Szepietowsi 17 marca 2003 rou Rozdział 1 Kombinatorya 1.1 Zasada podwójnego zliczania Zasada podwójnego zliczania jest bardzo prosta. Oto ona: Jeżeli elementy jaiegoś zbioru
Bardziej szczegółowoAlgorytmy stochastyczne laboratorium 03
Algorytmy stochastyczne laboratorium 03 Jarosław Piersa 10 marca 2014 1 Projekty 1.1 Problem plecakowy (1p) Oznaczenia: dany zbiór przedmiotów x 1,.., x N, każdy przedmiot ma określoną wagę w(x i ) i wartość
Bardziej szczegółowoSygnały stochastyczne
Sygnały stochastyczne Zmienne losowe E zbiór zdarzeń elementarnych (zbiór możliwych wyniów esperymentu) e E zdarzenie elementarne (wyni esperymentu) B zbiór wybranych podzbiorów zbioru E β B zdarzenie
Bardziej szczegółowoNr 2. Laboratorium Maszyny CNC. Politechnika Poznańska Instytut Technologii Mechanicznej
Politechnia Poznańsa Instytut Technologii Mechanicznej Laboratorium Maszyny CNC Nr 2 Badania symulacyjne napędów obrabiare sterowanych numerycznie Opracował: Dr inż. Wojciech Ptaszyńsi Poznań, 3 stycznia
Bardziej szczegółowoEksploracja Drzew. Jakub Łopuszański Instytut Informatyki Uniwersytetu Wrocławskiego. 20 czerwca 2007
Esploracja Drzew Jaub Łopuszańsi Instytut Informatyi Uniwersytetu Wrocławsiego 20 czerwca 2007 Po pierwsze, chcę podzięować: Krzysztofowi Lorysiowi za podsycanie zainteresowania algorytmami i struturami
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 07 Uczenie nienadzorowane cd.
Wstęp do sieci neuronowych, wykład 07 Uczenie nienadzorowane cd. M. Czoków, J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika w Toruniu 2013-11-26 Projekt pn. Wzmocnienie potencjału
Bardziej szczegółowoStrefa pokrycia radiowego wokół stacji bazowych. Zasięg stacji bazowych Zazębianie się komórek
Problem zapożyczania kanałów z wykorzystaniem narzędzi optymalizacji Wprowadzenie Rozwiązanie problemu przydziału częstotliwości prowadzi do stanu, w którym każdej stacji bazowej przydzielono żądaną liczbę
Bardziej szczegółowoSterowanie Ciągłe. Używając Simulink a w pakiecie MATLAB, zasymulować układ z rysunku 7.1. Rys.7.1. Schemat blokowy układu regulacji.
emat ćwiczenia nr 7: Synteza parametryczna uładów regulacji. Sterowanie Ciągłe Celem ćwiczenia jest orecja zadanego uładu regulacji wyorzystując następujące metody: ryterium amplitudy rezonansowej i metodę
Bardziej szczegółowoPorównanie algorytmów wyszukiwania najkrótszych ścieżek międz. grafu. Daniel Golubiewski. 22 listopada Instytut Informatyki
Porównanie algorytmów wyszukiwania najkrótszych ścieżek między wierzchołkami grafu. Instytut Informatyki 22 listopada 2015 Algorytm DFS w głąb Algorytm przejścia/przeszukiwania w głąb (ang. Depth First
Bardziej szczegółowoładunek do przewiezienia dwie możliwości transportu
ładune do przewiezienia dwie możliwości transportu Potrzeba jest przesłać np. 10 Mb/s danych drogą radiową jedna ala nośna Kod NRZ + modulacja PSK czas trwania jednego bitu 0,1 us przy możliwej wielodrogowości
Bardziej szczegółowoSTATYSTYKA OPISOWA Przykłady problemów statystycznych: - badanie opinii publicznej na temat preferencji wyborczych;
STATYSTYKA OPISOWA Przykłady problemów statystycznych: - badanie opinii publicznej na temat preferencji wyborczych; - badanie skuteczności nowego leku; - badanie stopnia zanieczyszczenia gleb metalami
Bardziej szczegółowoPORÓWNANIE WYBRANYCH ALGORYTMÓW OPTYMALIZACJI ROZPŁYWU MOCY W SYSTEMIE ELEKTROENERGETYCZNYM A COMPARISON OF SELECTED OPTIMAL POWER FLOW ALGORITHMS
ELEKRYKA 2013 Zeszyt 4 (228) Ro LIX Artur PASIERBEK, Marcin POŁOMSKI, Radosław SOKÓŁ Politechnia Śląsa w Gliwicach PORÓWNANIE WYBRANYCH ALGORYMÓW OPYMALIZACJI ROZPŁYWU MOCY W SYSEMIE ELEKROENERGEYCZNYM
Bardziej szczegółowoZadanie 5 - Algorytmy genetyczne (optymalizacja)
Zadanie 5 - Algorytmy genetyczne (optymalizacja) Marcin Pietrzykowski mpietrzykowski@wi.zut.edu.pl wersja 1.0 1 Cel Celem zadania jest zapoznanie się z Algorytmami Genetycznymi w celu rozwiązywanie zadania
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoWYKŁAD 3 WYPEŁNIANIE OBSZARÓW. Plan wykładu: 1. Wypełnianie wieloboku
WYKŁ 3 WYPŁNINI OSZRÓW. Wypełnianie wieloboku Zasada parzystości: Prosta, która nie przechodzi przez wierzchołek przecina wielobok parzystą ilość razy. Plan wykładu: Wypełnianie wieloboku Wypełnianie konturu
Bardziej szczegółowo